Incrementar o cross-selling: acertar no algoritmo para vender o produto certo ao cliente certo

Décadas e décadas de distintas práticas de mercado demonstram que o sucesso de um negócio está, em boa medida, dependente dos esforços de Marketing desenvolvidos e que, uma estratégia de expansão bem-sucedida terá também, de forma inteligente, um forte foco na colocação de novos serviços e produtos naqueles que são os seus potenciais compradores.

Seja qual for o sector de atividade, atrair novos clientes é tão crucial como é incontornável uma forte estratégia focada na satisfação e retenção dos clientes existentes. E, porque um cliente satisfeito permanece fiel mais tempo e potencialmente compra mais, surge a crescente necessidade de canalizar atenções para os indivíduos mais propensos a adquirir. Neste contexto, ganha cada vez mais importância o cross-selling, uma valiosa técnica usada nos mais diversos
setores (banca, seguros, automóvel, FMCG, entretenimento, …) e que tem como principal objetivo aumentar vendas.

Apesar do cross-selling ser uma técnica já “madura”, a sua prática alterou-se substancialmente com a introdução dos conceitos e melhores práticas de CRM. Entre outras realidades, a vivência atual é de um contexto de mercado onde mediação e contacto com o cliente é feito através de sistemas e de tecnologias que, muitas vezes, eliminam a possibilidade de um contacto pessoal, e que por isso, reduzem consequentemente as oportunidades de levar a cabo um cross-selling direto e personalizado. Surgem assim novas possibilidades para repensar a atuação de marketing e de complementar o que muitas vezes se baseava em “pura intuição humana” para escolher este ou aquele produto / serviço para um cliente especifico, passando a estar disponível a utilização de técnicas de cross-selling que, evolutivamente, se baseiam em modelos analíticos que tem por base comportamentos e acontecimentos passados e que, correlacionando a informação, identificam oportunidades e propensões dos clientes para aquisição de um novo serviço e/ou produto.

Contudo, o mundo do consumo é o mundo do ser humano e, o estudo da mente humana, demonstra que são poucas as relações lineares existentes, o que sublinha a vantagem do uso de algoritmia que consiga descobrir e descrever relações complexas e não-lineares, uma vez mais elevando a importância do Machine Learning no dia-a-dia das organizações. A importância destas temáticas é assim cada vez maior e, a crescente capacidade computacional para processamento de algoritmos cada vez mais complexos permite garantir mais espaço para a implementação de soluções no mundo empresarial.

Para atingir o objetivo de desenvolver um modelo analítico que consiga demonstrar a melhor performance, a primeira etapa – crucial e seguramente também a mais longa – é, naturalmente, a procura e escolha da informação certa e o seu consequente tratamento. Passa, na grande maioria das vezes, por um processo “tentativa-erro” que se prolonga até estarem identificadas as componentes (variáveis) que melhor explicam o target pretendido. Por mais bem estruturados e organizados que estejam os dados numa organização, dificilmente tal informação estará disponível exatamente na forma pretendida e num único input dataset, pronto para treinar o modelo. Portanto, desde logo nesta etapa é da maior importância o trabalho conjunto entre developers e os elementos das áreas de negócio, uma vez que estes estão dotados do know-how e sensibilidade que deriva da experiência efetiva no negócio e no setor. Em seguida, e consoante a qualidade do input, assim estarão reunidas condições para colocar em marcha o treino dos modelos, um processo que será recursivo e que sempre requer ajustes; é muito pouco provável “acertar à primeira”, ou seja, encontrar a performance esperada nas primeiras tentativas e modelos e, mesmo depois de escolher um modelo, haverá naturalmente a necessidade de recalibrar o mesmo ao longo do seu ciclo de vida.

Num exemplo concreto de aplicação de modelação preditiva para cross-selling num projeto de aplicação real desenvolvido pela equipa Habber Tec numa seguradora multinacional, o objetivo passou por identificar os clientes mais propensos à compra de um seguro de vida no conjunto daqueles que já possuíam seguro automóvel na sua carteira de cliente.

A tecnologia utilizada teve por base SAS Enterprise Miner, o que permitiu conjugar a versatilidade e a diversidade dos modelos mais tradicionais de regressão linear e logística com as técnicas mais avançadas de redes neuronais de distintas arquiteturas. A possibilidade de treinar e testar distintos modelos de um modo user-friendly, sem recorrer ao uso de código e programação foi uma das vantagens que concorreu para o sucesso do projeto, destacando-se a possibilidade de treinar diferentes modelos num modo de execução paralelo para posterior comparação de resultados, no qual o utilizador pode escolher o modelo de maior performance segundo diversos critérios, seja pelo AIC, BIC, Missclassification Rate ou AUC.

Implementar estratégias de cross-selling com vista a otimizar receitas e custos é imprescindível e a venda de novos produtos ou serviços a um cliente existente é menos dispendioso e difícil comparativamente à angariação de um novo cliente. Suplantar esse desafio respondendo em simultâneo a fatores externos, em mercados fortemente concorrenciais e com fatores de instabilidade económica, reforça a importância destas estratégias de “vendas-cruzadas” que
permitem oferecer produtos ou serviços ao cliente de um modo que antecipa necessidades e que permite ir além daquela que é a procura e a forma mais tradicional de promover e vender.

Garantindo um conhecimento profundo do cliente, este tipo de abordagem cross-selling será, dentro de poucos anos, proclamada de “tradicional”, uma vez que a sua exponencial utilização em casos reais está já ao alcance de todas as organizações.

 

 

 

Diogo Jorge
Associate Consultant | Habber Tec

 

 

Adelaide Leitão
Sales & Marketing Director | Habber Tec

Deixar uma resposta