Recentemente fiz alguns cursos de People Marketing e Ciência de dados, então comecei a pensar: por que não conciliar estas duas áreas em uma só?
Agora eu quero compartilhar um pouco dos meus experimentos com essas duas áreas aqui e, para isso, eu trouxe um banco de dados bem legal da kaggle, mas antes vamos entender um pouco do que é people marketing.
O que é people marketing?
Para situar o leitor, falarei brevemente o que é people marketing, até mesmo porque não sou nenhum especialista nesta área.
O people marketing é uma área que foi desenvolvida pelo social miner a fim de ajudar empresas a entender o que leva pessoas a tomarem certas decisões, incluindo a decisão de compra.
Com isso, podemos pensar em algo como um shopping center ou um e-commerce e até mesmo um mercado que deseje fazer uma campanha publicitária.
Hoje é impossível criar uma newsletter que consiga impactar todos os consumidores da mesma forma então, ao invés de criar apenas uma newsletter, criamos uma para cada perfil de consumidor.
E é aí que o data science entra em cena.
Como vamos saber quais tipos de consumidores compram em nosso estabelecimento?
Para sabermos essas e outras coisas utilizamos a ciência de dados a nosso favor, dessa forma conseguimos criar e entender melhor as nossas personas.
E dessa forma conseguimos criar campanhas que produzem mais impacto em nosso publico alvo.
>>Leitura Recomendada:
Big Data: como essa ferramenta mudou a forma de fazer Marketing?
A combinação de people marketing e ciência de dados
Como já é de praxe, eu trouxe um exemplo para explicar um pouco melhor como funciona a área de data science voltada ao people marketing.
E, para isso, trouxe um exemplo do kaggle, que trata de vendas de um supermercado.
Por questão de simplicidade e tempo irei trabalhar nesse exemplo apenas com as mulheres que são membros.
>>Leitura Recomendada:
Cientista de dados: tudo o que você precisa para se tornar um!
Entendendo nossa base de dados
Vamos começar entendendo os nossos campos do banco de dados:
Campo | Descrição |
Customer type | Tipo de clientes, registrados por membros para clientes que usam cartão membro e Normal para sem cartão membro |
Gender | Tipo de sexo do cliente |
Product line | Grupos gerais de categorização de itens |
Date | Data da compra |
Time | Tempo de compra |
Payment | Pagamento utilizado pelo cliente para compra |
Unit price | Preço de cada produto em $ |
Quantity | Número de produtos comprados pelo cliente |
Total | Preço total, incluindo imposto |
cogs | Custo de bens vendidos |
Rating | Classificação de estratificação do cliente em sua experiência geral de compra (em uma escala de 1 à 10) |
Analisando a base da dados
Apresentando o banco de dados pela primeira vez:
Esse dataset está bom, porém vamos adicionar mais informações: uma coluna com os dias que as compras foram efetuadas.
Como dito anteriormente, agora iremos extrair os dados que nos interessam para o nosso exemplo, ou seja, apenas as mulheres que são membros.
Agora que já recolhemos os dados que nos interessam, vamos fazer a análise.
A primeira coisa que podemos fazer é um gráfico para visualizarmos a média do total de pagamento de cada linha de produto, segregando pelo tipo de pagamento.
Obs: Ewallet é um dispositivo eletrônico que permite que uma pessoa faça transações eletrônicas. Isso pode incluir a compra de itens on-line usando um computador ou smartphone.
Com isso podemos começar a ver o seguinte:
- Mulheres que compram produtos de Health and beauty em média gastam mais no cartão de crédito.
- Mulheres que compram produtos de Electronic accessories em média gastam mais no cartão de crédito
- Mulheres que compram produtos de Fashion accessories em média gastam mais com Ewallet
- Mulheres que compram produtos de Sports and travel em média gastam mais utilizando cartão de crédito
- Mulheres que compram produtos Home and lifestyle em média gastam mais utilizando dinheiro
Outras duas coisas que julgo interessante de se fazer são:
- Analisar em quais dias da semana esses produtos são mais comprados.
- E em quais dias da semana a média dos Ratings é maior.
Analisar em quais dias da semana estes produtos são mais comprados pode gerar o conhecimento necessário de qual seria o melhor dia para começar uma promoção de determinados produtos.
E saber em quais dias da semana a média dos Ratings é maior pode nos gerar o conhecimento sobre a experiência do usuário, ou seja, em quais dias da semana esta experiência de compra é melhor.
Dessa forma conseguimos estudar o que esses dias de compra têm de diferente dos outros.
Então vamos analisar o o dia da semana em que os produtos são mais consumidos:
O gráfico que geramos mostra o Product line pelo Total segregado pelos dias da semana, então conseguimos visualizar o seguinte:
- As mulheres que compram Health and beauty gastam em média mais na quarta do que nos outros dias
- As mulheres que compram Electronic accessories gastam em média mais na terça do que nos outros dias
- As mulheres que compram Fashion accessories gastam em média mais na segunda do que nos outros dias
- As mulheres que compram Sports and travel gastam em média mais no domingo do que nos outros dias.
- As mulheres que compram Home and lifestyle gastam mais em média mais no domingo do que nos outros dias
Agora vamos ver a taxa de Ratings:
Com esse gráfico conseguimos perceber algumas coisas bem interessantes, por exemplo:
Das mulheres que compram Health and beauty, o dia com melhor média de avaliações é a terça, mesmo ela sendo o dia com a menor média do total de gasto.
Isso pode ocorrer por diversas razões, por exemplo: Na terça há menos pessoas comprando, sendo assim, os clientes gastam menos tempo no caixa e avaliam melhor a compra, aumentando a média.
Porém nem todos as linhas de produto (Product line) seguem esse padrão, por exemplo, Food beverages tem média de ratings maior no mesmo dia em que a média Total.
Isso pode ocorrer porque as pessoas que vão comer geralmente vão acompanhadas no domingo, então a demora no atendimento não seja um fator crucial na nota.
>>Leitura Recomendada:
[Guia] Qual a melhor linguagem para ciência de dados?
Conclusão
Com esse pequeno exemplo, nós conseguimos segregar os dados em homens membros e mulheres membros.
Examinamos o perfil das mulheres membros e conseguimos extrair algumas informações do padrão de consumo.
Dessa forma, conseguimos começar a pensar em campanhas de marketing de modo a aumentar o impacto nos clientes e, com isso, aumentar a conversão de compras.