gestãoda
informação
5
O papel das bases de dados como
repositório de conhecimento escondido:
Caso de estudo de um projeto
de fidelização no sector petrolífero
Filipe Mota Pinto
1Introdução
A
tualmente as organizações atuam em ambientes caracterizados pela inconstância, elevada competitividade e pressão no desenvolvimento de novas
abordagens ao mercado e aos clientes. Nesse contexto, o acesso à informação, o suporte à tomada de decisão e a partilha de conhecimento tornam-se essenciais para o desempenho organizativo.
O sucesso empresarial assenta cada vez mais em melhores negócios com os
clientes existentes e não numa mera acumulação de compradores. Desta forma, a
lealdade dos clientes tornou-se no objectivo estratégico prioritário das empresas, que
focalizam a sua atenção na carteira de clientes. Esta tornou-se o grande indicador de
posicionamento estratégico das empresas, mais relevante do que a quota de mercado.
Conseguir a verdadeira lealdade do cliente parece ser o factor-chave para ganhar quota de mercado, desenvolver e sustentar uma vantagem competitiva (Pritchard et al., 1999).
131
A gestão da carteira de clientes exige, em primeiro lugar, uma capacidade para
criar e desenvolver relações diferenciadas consoante a natureza dos clientes. Esta
simples asserção tem duas implicações importantes. Por um lado, cada cliente deve
ser encarado como um caso específico, com características, necessidades e expectativas próprias. Por outro lado, a “customização” da relação é uma forma de diferenciar
a capacidade competitiva da empresa e, consequentemente, de acrescentar valor.
O facto da actuação das organizações face aos seus clientes se estar a tornar
mais individualizada, introduz importantes alterações no modelo de gestão. Essas
alterações resumem-se numa frase simples: mais do que gerir recursos é necessário
gerir relações (Brito e Lencastre, 2000). Este parece ser o grande paradigma do marketing na era digital.
Actualmente, começa a tornar-se claro que não basta as empresas terem capacidade para agir: mais do que isso é fundamental que saibam interagir. Obviamente,
uma abordagem mais relacional e interactiva exige o recurso a conceitos e instrumentos de gestão diferentes daqueles que tradicionalmente vêm sendo utilizados
pelos responsáveis de marketing. De acordo com Brito e Lencastre, gerir relações
envolve os programas de lealdade de clientes, as bases de dados (data warehouse e
data mining), o investimento em relações, a gestão da carteira de clientes e a implementação de uma política de marketing individualizado. Por outras palavras, envolve
a adopção do Marketing Relacional através da prática do CRM.
O CRM é o conceito mais comum para descrever a passagem da abordagem
focada na transacção para a abordagem focada na relação. Todavia, O CRM continua a assumir-se mais como uma plataforma tecnológica ao serviço do Marketing
Relacional, definido, de forma basicamente consensual, como o desenvolvimento
e consequente manutenção de uma relação de carácter duradouro, reciprocamente
proveitosa e satisfatória com os interlocutores estrategicamente mais significativos
para a organização (Buttle, 1998; Wilson, 1995; Smith, 1998).
O presente trabalho cruza as tecnologias e sistemas de informação (em particular a exploração e descoberta de conhecimento em bases de dados), com o marketing (especificamente o database marketing) recorrendo a um exemplo real de
aplicação para melhor exemplificação e demostração.
132
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
2Conceitos
Gestão da Relação com Cliente: contextualização
Peter Drucker (Drucker, 2001) ao afirmar existir apenas uma definição válida
para objectivos de negócio: os clientes, exprimiu de um modo simples, o elemento
nuclear das organizações comerciais contemporâneas.
De acordo com uma das primeiras definições que surgiram para definir marketing de relacionamento, referiam-no como a estratégia para atrair, manter e proporcionar relações com os clientes (Berry, 1983). O termo CRM surgiu posteriormente, como uma versão marketing de relacionamento, que inclui um conjunto de
actividades de carácter mais tecnológico. Ambas as designações são usadas indiferenciadamente em muita literatura (Arndt, 2001).
Atualmente, as organizações procuram atuar de modo dinâmico nos mercados
competitivos de modo, a captar e manter os seus clientes. O CRM encontra-se descrito como uma estratégia de organização (Kotler, 2002), ou como uma ferramenta
e processo de trabalho (Gray, 2001). Berry Linnoff além da ligação do CRM ao marketing de relacionamento, apresenta-o com um significado similar a one-to-one marketing, sugerindo ainda sinónimos como real-time marketing ou customer intimacy
(Linoff, 1997). Existem ainda autores que argumentam que o CRM deve ser abordado como um conceito de gestão, particularmente de gestão de relacionamentos com
os clientes e não como um produto ou uma tecnologia (Berson, 1999).
A permuta de informação entre o cliente e a organização torna-se mutuamente
benéfica, na medida em que os consumidores fornecem informações em troca de um
serviço personalizado que satisfaça as suas necessidades individuais (Linoff, 2000).
Esta abordagem coloca a utilização das TI, num contexto de CRM, como elemento
fundamental, sempre que se deseje estabelecer relacionamentos com os consumidores numa base individual e usar a informação disponível para tratar os consumidores
de forma diferenciada.
O CRM combina as políticas e técnicas de marketing com as tecnologias de informação, nomeadamente na utilização e exploração das BD – processos de Database
Marketing (DBM) ou simplesmente de DCBD. A utilização das BD num contexto de
CRM aparece reforçado por Berson quando explicitamente afirma que o CRM consiste
na análise dos dados criados pela relação entre a organização e o cliente (Berson, 1999).
O papel das bases de dados como repositório de conhecimento escondido
133
À luz do processo de revisão exposto, é possível então sintetizar o CRM como
um processo de Gestão, que visa manter a Relação com o Cliente, suportada numa
base tecnológica de BD (Figura 1). A Gestão enquanto elemento orientador das estratégias organizativas; a Relação, sinónimo do conjunto de actividades em prol do
relacionamento com os clientes ou potencias clientes; o Cliente, alvo económico para
muitas organizações e o receptor ou não, das políticas de relacionamento; e, finalmente as Bases de Dados que representam as tecnologias de informação, de onde se
recolhem dados e registam informações sobre toda actividade entre as empresas e os
seus clientes.
Figura 1 – Enquadramento das actividades de relacionamento com o cliente.
Cliente
Dados
Gestão
Relação
Objectivos
Actualmente o CRM é considerado, por alguns autores, como uma das abordagens mais sofisticadas e eficientes, para promover o aumento da rentabilidade dos
clientes (Bretzke, 2005; Brown, 2000; Burnett, 2001). A estratégia de CRM consiste
em adquirir melhor conhecimento sobre os clientes, antecipar as suas expectativas
e necessidades, fornecer serviços personalizados, e diferenciar-se dos concorrentes
(Peppers, 1999; Bretzke, 2005). Através de uma melhor compreensão das necessidades dos clientes, é possível a segmentação do mercado, identificando onde podem ser
construídas relações lucrativas permanentes (Linoff, 2000). A principal premissa do
CRM é de que os clientes tomarão as suas decisões de compra baseadas no relacionamento que têm com os seus fornecedores e, em troca da sua preferência, desejam
reconhecimento, valor, qualidade e respeito.
Saliente-se, por último, que o CRM passa também pela gestão integrada dos recursos internos, construindo as condições necessárias para a criação de relações de
134
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
proximidade entre a organização e seus clientes. Relações essas, construídas através da
recolha e tratamento da informação nas várias frentes de contacto, permitindo atingir o
objectivo principal de uma organização: a retenção de clientes (Bretzke, 2005).
Em síntese, o processo de CRM tem como objectivo atender, reconhecer e fidelizar o cliente em tempo útil. Para o efeito, transforma dados dispersos em informações concretas e centralizadas, as quais serão utilizadas em benefício do cliente
para lucro da organização. Parece ser um método eficaz para satisfazer os clientes e
por consequente, garantir o nível de vendas.
Parte importante da componente operativa do CRM suporta-se nas BD disponíveis e no seu desenvolvimento entre a actividade do cliente, a gestão e as actividades de relacionamento desenvolvidas pela organização (Gray, 2001). O CRM
incorpora a recolha, armazenamento, uso sistemático e melhoria contínua dos dados
relativos a clientes sob o pressuposto de que as únicas organizações capazes de construir relações duradouras com os seus clientes são aquelas que, previamente, processam e mantêm um volume adequado de informação sobre os mesmos (Arndt, 2001).
O CRM, enquanto gestão de relacionamento com os clientes, é um processo
que se baseia na evolução do seu comportamento, na aprendizagem obtida a partir
de cada contacto (e.g., aquisição de produtos, promoções ou reclamações), na perspectiva do fortalecimento das relações cliente-organização.
A concretização de um projecto de CRM processa-se ao nível: operacional e
analítico (Arndt, 2001):
• O CRM operacional caracteriza-se pelo seu carácter pragmático
considerando como actividades todas aquelas que traduzem o contacto
efectivo entre a organização e o cliente e, se desenrolam no seio dos
departamentos que pressupõem esse mesmo tipo de contacto, como sejam
os departamentos de vendas, marketing ou serviços. Entre os objectivos
de CRM operacional é possível distinguir os relacionados com programas
singulares (aumento do recurso ao cross-selling no âmbito da fidelização) e
os que implicam a sobreposição de objectivos (uso eficiente do orçamento
e criação de introspecções ao cliente).
• O CRM analítico caracteriza-se pelo seu contexto de análise, consistindo
em acções com vista à preparação de todas as componentes susceptíveis de
estudo (e.g., dados de clientes, mercados), de modo a viabilizar a análise das
características dos consumidores (comportamentos e condutas) e planificar
O papel das bases de dados como repositório de conhecimento escondido
135
e executar as actividades do CRM operacional, relativas às expectativas e
necessidades dos mesmos.
A organização das diferentes actividades de CRM operacional e analítico obriga à sua implementação em programas distintos, com interfaces nítidas, objectivos
especiais e actividades (e.g., marketing directo) adequadas – programas de fidelização e recuperação. Por exemplo, os clientes com uma elevada probabilidade de deixarem de o ser, podem ser detectados no programa de fidelização, se existir uma base
de dados sobre os clientes que já abandonaram a organização e as razões pelo qual o
fizeram. Em ambas as vertentes o objectivo do CRM, consiste em fornecer toda a informação necessária para criar um canal de diálogo cruzado, feito à medida de cada
cliente e baseado nas suas reacções actuais (Arndt, 2001).
Existem duas abordagens, para organizar este processo cruzado e funcional de
CRM (Wyner, 1999): através de propostas orientadas para a organização (orientação
para a produção e para projectos) – fora do âmbito do estudo – e através de propostas
orientadas para os ciclos, como sejam o ciclo de vida do cliente, do produto ou do
mercado. Este artigo refere-se à abordagem orientada para o CVC, apresentado na
secção seguinte.
CRM baseado no Ciclo de Vida do Cliente
A abordagem considerada neste trabalho é baseada no CVC, decorrendo do
facto do CRM se centrar na análise dos desejos e na satisfação das necessidades de
cada cliente ao longo da relação com a organização. Cumulativamente, o CVC apresenta-se como o cenário temporal mais estável, possibilitando a realização das actividades de CRM operacional de acordo com o estágio de relação dos indivíduos que
compõem o target (conjunto de pessoas definidos com o perfil de consumidor para
determinado produto ou serviço de uma organização).
O CVC refere-se às várias etapas de relacionamento entre a organização e o
cliente podendo servir de referencial para informar da sua intenção de compra de
produtos ou serviços (Figura 2). Associado a este indicador são considerados os diferentes estágios dos clientes termos de marketing: suspect, prospect, cliente activo e
ex-cliente (Arndt, 2001).
Cada relação começa, teoricamente, muito antes de qualquer contacto físico.
Durante um período de formação de opinião o indivíduo, denominado de suspect,
136
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
está em contacto com toda a informação disponível no mercado sobre as diversas
marcas de produtos existentes. Após este contacto em massa com o mercado considera-se que o suspect agrupa o conhecimento de um conjunto de marcas capazes de
satisfazer as suas necessidades. A primeira etapa do processo, define-se quando o suspect reconhece alguma necessidade ou desejo insatisfeito relativamente ao produto ou
serviço. Por essa altura, após ter formado uma intenção de compra concreta entra em
contacto com as organizações fornecedoras desse produto ou serviço, tornando-se
então num prospect. Nesta fase do ciclo, o potencial consumidor/cliente decide que
tipo de produto ou marca irá comprar, bem como o local onde o irá adquirir e quais
as condições de venda (preço, entrega, concessão de crédito), terminando esta etapa
com a primeira compra. Este momento determina a passagem do prospect a cliente
activo e começa então a relação comercial com a organização, traduzida na compra,
utilização e avaliação do produto em função das expectativas face às necessida­des e
às promessas transmitidas pela comunicação, sendo que o resultado desta avaliação
influenciará o comportamento de compra do cliente.
Com o decorrer do tempo o cliente cria o cenário da substituição da marca.
Caso a relação com a organização nos diferentes níveis seja do agrado do cliente,
aumenta a probabilidade de manter a relação. Se pelo contrário, não for do agrado
do cliente, aumenta a probabilidade de substituir a marca e, consequentemente o seu
ciclo de vida relativamente à organização termina. O cliente entra na fase denominada como abandono, abrindo na organização uma necessidade de reconquista dos
consumidores desertors (ex-clientes.)
O papel das bases de dados como repositório de conhecimento escondido
137
Figura 2 – Utilização das bases de dados em CRM tendo
como referência o Ciclo de Vida do Cliente
Suspect
Prospect
Cliente Activo
Ex-consumidor
Curva
Ciclo Vida do
Cliente
Tempo à
Programas de Aquisição
Programas de Fidelização
Programas de Recuperação
USO
BASES DE DADOS
A utilização das BD em actividades de CRM encontra-se directamente relacionada com o CVC (Arndt, 2001). A caracterização é realizada nas três fases que
traduzem os estágios da relação entre o consumidor e a organização e se traduzem
em actividades ou programas de CRM: de aquisição; de fidelização e de recuperação
de clientes:
• Programas de Aquisição (suspects/prospects): implica o estabelecimento de
um diálogo com os suspects per­tencentes aos grupos alvo, com o objectivo de
formarem uma opinião em relação ao produto da organização e mais tarde
o invoque a outro indivíduo. Neste pro­grama, são utilizados vários tipos de
origem de dados, sendo nesta fase do CVC dada especial importância às
fontes de dados externas uma vez que permitem a recolha de informação
externa à própria organização, como exemplo geral, a necessidade de
identificação e diferenciação de novos suspects (sobre os quais se detém
apenas informação adquirida externamente, e.g., nome e morada);
• Programas de Fidelização (activos): A fidelização centra-se no
estabelecimento de uma comunicação permanente com os clientes activos,
com o objectivo de construir um relacionamento a longo prazo, mutuamente
lucrativo. As actividades de fidelização proporcionam uma utilização
permanente das BD, seja na recolha de informação seja no registo de dados
sobre os clientes. No contexto do CVC esta fase corresponde à maior taxa
138
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
de participação das BD em actividades de marketing (Drozdenko e Drake,
2002).
• Programas de Recuperação (ex-clientes): O cliente torna-se num alvo
para o programa de recuperação quando deixa de ser cliente activo. A
recuperação pressupõe a reconquista dos clientes que deixaram de adquirir
produtos ou abandonaram a organização. Essa reconquista não é feita
de forma imediata, mas sim através de um diálogo com o cliente e da
manutenção do contacto com o mesmo. Na prática, um cliente raramente
informa a organização das suas intenções de abandono por isso é necessário
encontrar variáveis de explicação adequa­das. As razões reconhecidas para
o abandono constituem, na sua maioria, a base para o desenvolvimento de
programas de recuperação, mas também são importantes para o programa
de fidelização.
Descoberta de Conhecimento de Bases Dados (DCBD)
Até final da década de 80, as BD eram orientadas quase só para o processamento de transacções, servindo como meros suportes de informação para apoio às
actividades correntes da organização. Os avanços conseguidos na tecnologia de BD
ao longo dessa década, aliados ao crescente desenvolvimento tecnológico e à diminuição dos custos de armazenamento, conduziram à informatização dos mais diversos serviços e, consequentemente, ao registo de todo o género de dados que existem
nas organizações.
Figura 3 – Fases do processo de DCBD, adaptado de Fayyad et al. (1996)
PréProcessamento
Selecção
Transformação
Interpretação
Avaliação
Modelação
Dados
Dados
Trabalho
Dados
PréProcessedos
Dados
Transformados
Padrões
Conhecimento
A DCBD é comummente aceite como sendo um “processo não trivial de identificação de padrões, presentes nos dados, válidos, novos, potencialmente úteis e
O papel das bases de dados como repositório de conhecimento escondido
139
compreensíveis” (Fayyad, 1996). Em termos muito genéricos é possível afirmar que o
processo de DCBD se resume às quatro etapas a seguir descritas (Figura 3):
• Definição dos objectivos do processo – São vários os autores que alertam
para a importância que esta fase tem no sucesso ou fracasso do processo
de DCBD. Qualquer processo de DCBD deve iniciar-se com uma definição
clara dos seus objectivos (o que se quer saber e o que se vai fazer). Para a
execução do processo de DCBD é essencial trabalhar com especialistas da
área de negócio onde se enquadra, e.g., marketers, os quais também deverão
estar envolvidos na definição dos objectivos.
• Estudo e preparação dos dados – Como acontece na maioria dos processos
informáticos (e não só) o resultado final encontra-se bastante dependente
do que é fornecido à entrada. A conhecida regra GIGO (Garbage In,
Garbage Out), aplica-se em pleno ao processo de DCBD (Feelders, 2002).
Para que o processo conduza a resultados de boa qualidade é necessário
uma fase de análise e transformação dos dados, normalmente designada
de pré-processamento dos dados. Trata-se de uma fase crucial para o
sucesso do processo de DCBD e é frequentemente a fase mais demorada,
chegando a consumir mais de metade do tempo total (Linoff, 1997). Como
acontece com todas as fases do processo de DCBD, esta fase pode ser
repetida várias vezes, até que se possa assegurar a qualidade e utilidade
dos resultados obtidos. O pré-processamento dos dados inclui, embora não
necessariamente por esta ordem, as seguintes etapas:
• Obtenção e exploração dos dados: conhecimento dos dados recolhidos,
o que são e aquilo que representam;
• Limpeza e Transformação dos dados: preparação dos dados para se
poder aplicar técnicas de Data Mining (DM).
• Selecção e aplicação dos algoritmos de extracção de padrões – Data Mining,
Esta é a fase central do processo de DCBD e aquela que tem recebido mais
atenção por parte dos investigadores. Após um bom conhecimento dos
dados, faz-se a escolha do, ou dos, algoritmos a aplicar aos dados para
extracção de padrões. Regra geral, o objectivo desta fase é encontrar uma
descrição para os dados que possa ser utilizada para fazer previsão em novos
casos. A escolha do algoritmo de DM a ser utilizado vai depender da tarefa
140
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
a realizar e dos dados disponíveis. Alguns algoritmos não funcionam com
valores numéricos, outros pelo contrário, apenas funcionam com valores
numéricos. Nesta fase pode ser necessário voltar atrás e fazer novas iterações
sobre os dados (pré-processamento) de modo a que o formato em que são
apresentados os dados se adeqúe melhor a um dado algoritmo (e.g., fazer a
conversão de valores simbólicos em valores numéricos ou transformar uma
variável com valores numéricos numa variável com valores simbólicos). No
processo de escolha do algoritmo a aplicar deve começar-se por exprimir
o problema em termos de uma das “tarefas de alto nível” do DM (Frawley
et al., 1991). Quase todos os problemas de DCBD podem ser expressos
numa das seguintes tarefas de alto nível: classificação, regressão, clustering,
sumarização, modelação de dependências ou detecção de desvios.
• Avaliação dos resultados – Uma vez aplicados os algoritmos de DM é
necessário efectuar a analise dos resultados obtidos por forma a verificar
a sua validade e utilidade. A validade refere-se ao facto dos novos padrões
serem confirmáveis por aplicação em novos dados (objectivos de DM); a
utilidade refere-se à aplicabilidade do novo conhecimento em ambiente
real (cumprimento dos objectivos de marketing). Um estudo realizado para
uma seguradora que concluiu que o número de acidentes de viação era
mais elevado entre clientes com o signo Peixes. Uma análise dos resultados
permitiu verificar que a companhia tinha mais clientes desse signo que dos
outros, e portanto, se os clientes desse grupo eram mais, era natural que
existisse um número mais elevado de acidentes (Cabena, 1998).
O processo de DCBD, normalmente, não é linear, e envolve uma forte interacção com o analista e várias iterações entre as suas fases constituintes (e.g., ao analisar
os padrões, o analista pode chegar à conclusão de que não são válidos e fazer com que
o processo volte à fase de pré-processamento). Essas iterações estão representadas na
Figura 3 pelas setas a tracejado e podem, inclusivamente, fazer o processo voltar à
fase de especificação dos objectivos.
O papel das bases de dados como repositório de conhecimento escondido
141
3 DCBD em CRM no contexto de Ciclo de Vida do Cliente
Numa perspectiva tecnológica o CRM incorpora um conjunto de tecnologias
de informação relativas ao registo, exploração das bases de dados e consequente aplicação nas suas actividades. A metodologia seguida no presente trabalho aborda o desenvolvimento do CRM orientado ao Ciclo de Vida do Cliente (CVC) e expõe como
o processo de DCBD e sua utilização recorrente.
A secção anterior permitiu a apre­sentação do CRM suportado no CVC como
um conjunto de três programas – aquisição; fidelização e recuperação. Numa perspectiva tecnológica é possível demonstrar a validade dos pro­cessos de DCBD em cada
um destes programas incorporando uma solução para a utilização todos os dados
registados nas vastas BD disponíveis.
Os programas de aquisição de clientes pressupõem o estabelecimento de contactos com indivíduos, aos quais se pretende apresentar um novo produto ou serviço. Face ao rigor financeiro que os departamentos de marketing estão actualmente
sujeitos, importa determinar estratégias de comunicação mais eficazes do que as de
modo massivo, as quais se revelaram bastante menos eficazes que as de contacto directo. Numa perspectiva tecnológica, estas acções pressupõem a existência de dados
relativos aos indivíduos suspects ou prospects.
A origem dos dados poderá ser interna (dados de clientes, histórico da organização ou mesmo impressos resultantes de contactos com clientes – e.g., reclamações, promoções) ou externa, provenientes de BD externas à organização (alugadas
ou cedidas por empresas que se dedicam á recolha de dados). Uma vez constituída a
BD dos indivíduos alvo aplicam-se as técnicas de DCBD (Figura 4). A DCBD surge
como uma forma de resolver um problema corrente em muitas organizações que
possuem BD mas para os quais os processos clássicos de recolha de informação são
insuficientes.
142
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
Figura 4 – DCBD em programas de aquisição de clientes
O desenvolvimento do processo de DCBD num contexto de aquisição de novos clientes permite definir o perfil, os padrões de comportamento e consumo dos
clientes actuais para projectar no desenvolvimento de acções de marketing com vista
à aquisição dos novos clientes. Reichheld et al (2001) citam os seguintes exemplos:
• Uma organização que actua no ramo segurador, descobriu que no seu
caso, em termos de fidelidade e propensão à aquisição dos seus produtos,
os indivíduos casados são mais receptivos que os solteiros; tal como as
pessoas do norte adquirem maior variedade de produtos que as do sul; ou
que os proprietários de casa são mais rentáveis que os que vivem em casa
arrendada.
• Um banco descobriu que os indivíduos agregados em grupos de afinidade
– e.g., ordem de engenheiros, médicos ou advogados – nesse contexto
de membro, adquirem com maior facilidade de produtos de crédito que
quando contactados fora desse contexto.
Os resultados do processo de descoberta de conhecimento, quando novos e
relevantes, poderão servir para a delineação de estratégias de captação de clientes.
Ao longo da relação entre o cliente e a organização existe um conjunto de
informação libertada e que se vai acumulando em BD – e.g., vendas, questionários
respondidos, registos financeiros, promoções em que participou, formulários, reclamações. A análise do comportamento, numa perspectiva de DCBD permitirá a deO papel das bases de dados como repositório de conhecimento escondido
143
terminação de desejos “escondidos” dos clientes; expectativas frustradas ou simplesmente desejo de satisfação e retribuição pela relação (Figura 5).
O conhecimento da vertente “escondida” do cliente (Kotler, 2002) permitirá o
desenvolvimento de programas de fidelização dos clientes, correctamente orientados
e com elevada probabilidade de sucesso, que os satisfaçam ao longo do seu ciclo de
vida na organização.
Figura 5 – DCBD em programas de fidelização de clientes
Transacções
Promoções
Dados
Clientes
Impressos
Organização - Cliente
od
Dados
Marketing
ão
aç
fo
ns
Conhecimento
Clientes
ão
aç
rm
el
Financeiros
PréProcessamento
Aplic
a
Avali ção
ação
Análise Dados
M
Fontes com dados relativos a clientes
Descoberta de Conhecimento em Bases Dados
Tra
Programa de Fidelização
A DCBD permite à organização sustentar a fidelização com o cliente aprofundando o conhecimento que existe sobre ele, ou seja, a complexidade do comportamento dos clientes, o qual não é explicitamente expresso, é possível que seja descrita
com base em regras ou descrições escondidas por entre os dados que a organização
possui. Como exemplo da identificação do perfil de clientes fiéis, uma empresa do
ramo da distribuição, descobriu que os indivíduos provenientes de campanhas de
desconto são menos fiéis que outros provenientes do contacto casual com as suas
lojas (Reichheld et al, 2001).
Um cliente, quando pretende abandonar a relação com uma organização, normalmente não avisa, simplesmente desiste (Kotler, 2002). A desistência não pode ser
considerada uma decisão simples mas antes o culminar de um processo que ilustra um padrão de comportamento (Wyner, 1999). A permanência de um indivíduo
como cliente activo por vários ciclos de compra, permite à organização a recolha de
dados internos que servirão para o conhecer melhor. Sempre que o cliente desiste da
144
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
relação (quando existe um intervalo de tempo considerável sem que exista qualquer
contacto com a organização), os seus dados permanecem na organização e são actualizados para um novo estatuto – desertor.
A utilização da DCBD é particularmente eficaz na detecção de desvios e abandono através da determinação de padrões de comportamento atípicos, no interior
das BD que contêm os registos detalhados dos cli­entes. O processo de DCBD desenvolve-se sobre os dados relativos a toda a actividade dos clientes (e.g., registo de
reclamações, inquéritos respondidos, promoções) e permitirá à organização adaptar
a sua relação com os clientes (Figura 6).
Descoberta de Conhecimento em Bases Dados
Transacções
Promoções
od
ão
aç
r
sfo
o
çã
ma
el
clientes
Conhecimento
Clientes
4
Actividade
Clientes
Impressos
Organização - Cliente
Dados
Marketing
PréProcessamento
Aplic
a
Avali ção
ação
Análise Dados
M
Dados relativos a actividade de clientes
Figura 6 – DCBD em programas de recuperação de clientes
n
Tra
Programa de Recuperação
Caso de estudo: O cartão de fidelização numa companhia petrolífera
Para testar o conceito apresentamos um trabalho de investigação realizado
numa companhia petrolífera a operar em Portugal (por questões de confidencialidade, não identificada), focando na DCBD em programas de fidelização de clientes.
Neste programa de fidelização é entregue aos clientes um cartão, personalizado, o qual é usado para acumular pontos nos seus consumos em estações de
serviço e postos de abastecimento da companhia. Neste estudo não foram considerados estabelecimentos aderentes fora da rede de postos de abastecimento
da companhia.
A base de dados do programa de fidelização tem como estrutura:
O papel das bases de dados como repositório de conhecimento escondido
145
Tabela: Titular Cartão
IdCard: identificação cartão (cp) (numero);
IdClient: identificação cliente (ce) (numero);
birthDate: data nascimento (data);
cardInitialDate: data de emissão cartão (data);
clientInitialDate: data de início como cliente (data);
postCode4: 4 digitos código postal do cliente (numero);
postCod3: 4 digitos código postal do cliente (numero);
civilStatus: estado civil (conjunto);
gender: sexo do cliente (conjunto);
vehicleType: descrição tipo de veículo (conjunto)
vehicleYear: data produção veículo (numero);
fuelType: descrição tipo combustível (conjunto).
Tabela: Transacções realizadas com cartão
idMov: identificação transacção (cp) (numero);
IdCard: identificação cartão (ce) (numero);
Date: data transacção (data);
fuelValue: valor dispendido em combustível na transacção (real);
fuelLitres: quantida de litros (numero);
shopValue: valor dispendido em loja na transacção (real);
shopUnits: quantida de unidades compradas na loja (number);
stationcode: identificação da estação de serviço (ce) (numero)
Tabela: Estação de serviço
stationCode: Código da estação de serviço (cp) (numero);
stationName: Denominação da estação de serviço (texto);
stationType: Descrição do tipo estação de serviço (conjunto);
postCode4: 4 digitos código postal da estação serviço (numero);
postCod3: 4 digitos código postal do estação serviço (numero);
Da base de dados criada a partir do cartão de fidelização é possível extrair conhecimento que permite à companhia petrolífera identificar e diferenciar os clientes,
possibilitando acções de customização das interacções e de oferta de serviços. Além
146
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
disso, permite ainda acompanhar o desempenho comercial do posto de abastecimento e a tomada de decisões de incentivo e correctivas.
Definição de Objectivos
Ao nível de database marketing, assente na exploração de bases de dados, uma
das principais tarefas consiste na definição clara do tipo objectivos. Havendo uma
base de conhecimento anterior, acerca do potencial de cada tipo de dados em função
dos resultados possíveis, optou-se neste caso pela selecção do tipo “classificação”
DomainObjective(?obj)-> query:user input
hasDomainObjectiveType(?do)
domain objective – função que interage com o utilizador para registo do
tipo de objectivos através da execução query:user input
hasDomainObjectiveType – função que pesquisa na base de dados os tipos
de objectives possíveis
hasDomainObjectiveType(?do) – variável que acolherá a opção do utilizador, exº.”classificação”
Compreensão e Selecção de Dados
Uma vez definida a tipificação dos objectivos, neste caso, como “classificação”,
o passo seguinte requer um trabalho de análise detalhada os dados constantes na base
de dados. Este trabalho focará e avaliará, entre outro tipo de análises, a qualidade
dos dados (valores omissos), a descrição dos dados (exº, intervalo de valores aceites,
unidades, escala de valores,…) entre outras.
Select Attribute (?att)
Identify Attribute Information Type (?att,?it)
Identify Attribute StructureType (?att,?st)
Data set description (numbers):
O papel das bases de dados como repositório de conhecimento escondido
147
Registos
Atributos
Customer Table (original)
9285
13
Tabela Transacção
292427
9
Tabela Estação Serviço
212
3
Tabela de trabalho
9285
30
As funções usadas:
hasAttributeStructureType (?att): realiza uma identificação do tipo de dados
de cada atributo, exº., tipo de estrutura de valores mais frequente;
hasAttributeInformationType(?att): avalia em termos de tipo de dados, valores caracteriasticos, como exº. máximo, minimo, intervalo, etc..
hasMissingValue(?att): avalia o grau de qualidade de dados presente em
cada atributo como exº. valores omissos, valores redundantes,etc..
A título de exemplo, pegando no atributo dataNascimento:
query:user input hasAttribute (birthDate;?att)
: hasAttributeInformationType (?att)  Personal;
::hasPersonalInformationtype(?att)Demographics
: hasAttributeStructureType(?att) Date
: hasMissingValue(?att) -> 0,05 { uncompleted records rate}
Pré-Processamento dos dados
Uma vez definido e seleccionado o conjunto de dados de trabalho procedeu-se
ao pré-procesamento dos dados de modo a poder mais tarde aplicar um conjunto de
técnicas de data-mining para concretizar o trabalho de modelação.
: hasModelingObjective(?mo)^ hasWorkingData(?wds) ->sqwrl:select
DataPreProcessingTask(?dpp)
148
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
O pré-processamento de dados envolve um vasto leque de tarefas a aplicar sobre os dados, tal como derivação de novos atributos de trabalho (exº atributo idade,
a partir da data de nascimento), normalização (exº formato de dados), categorização
(exº sexo ou classe social), redução (criação de intervalo de valores) ou tranformação
(valores alfanuméricos em numéricos).
Modelação
A fase de modelação, também conhecida por data mining, consiste na aplicação de algoritmos diversos sobre os dados previamente preparados. Os algoritmos de
data mining variam em função dos objectivos (classificação ou previsão) bem como
das técnicas usadas (redes neuronais, árvores de decisão, algoritmos genéticos, entre
muitos outros casos)
A fase de modelação caracteriza-se ainda pela elevada interactividade e recursividade entre os dados e modelos utilizados, podendo chegar a combinações a cinco
níveis (selecção, preparação, limpeza, normalização e categorização). Cada algoritmo
a usar terá o seu conjunto de especificações e parametrizações necessárias.
Em termos genéricos, sobre o trabalho desenvolvido baseou-se na sequência:
:WorkingDataSet(?ds)^
hasModelingObjectiveType(?mo)^
hasModelSelection(?wds,?mo)^
hasAlgorithmClass(?alg,?mo)hasAlgorithm (?alg)
hasAlgorithm indica o conjunto de algoritmos disponíveis em função dos
dados seleccionados e objectivos definidos.
hasAlgorithmParameter, serve para a especificação técnica do algoritmo (exº redes neuronais, determinar se funciona em backpropagation ou
forwardpropagation, número de camadas e quantidade de nós)
(?m): modelo resultante da utilização do algoritmo
has Algorithm(?alg)^
hasAlgorithmParameter(?alg,?pSet)^
workingData(wds)  hasModel(?alg,?m)
No caso em análise consideramos o seguinte conjunto de dados:
O papel das bases de dados como repositório de conhecimento escondido
149
Objectivos de modelação: classificação
dadosTrabalho{
idCard; idCliente; birthDate; age; initialCardDate; cardAge; initialCustomer; clientAge; carClientGap; postCode; postCod3; civilStatus; sex; vehicleType; vehicleYear; vehicleAge; fuel; dFirstTransaction; dLastTransaction; nTransactions; tLiters; tAmountFuel; tShopValue; tQtdShop; 1stUsed;
2stUsed; 3stUsed }
Neste caso foram usados dois modelos estatísticos disponíveis no WEKA software toolkit, o SVM (Support Vector Machine) e o teste Qui-Quadrado (Chi-squared test).
hasAttributeEvaluation(SVMA) -> { idCard; idCliente; age; cardAge; clientAge; carClientGap; civilStatus; sex; vehicleType; vehicleAge; fuel; nTransactions; tLiters; tAmountFuel; tShopValue; tQtdShop; 1stUsed; 2stUsed;
3stUsed }
hasAttributeEvaluation(gainRatio) -> { idCard; age; carClientGap; postCode; civilStatus; sex; vehicleType; vehicleAge; nTransactions; tLiters; tAmountFuel; tShopValue; tQtdShop; 1stUsed; 2stUsed; 3stUsed }
A componente final do trabalho consistiu na organização dos dados em dois
grupos: dados de teste (hasTestingSet) e de treino (hasTraningSet )
hasTraningSet= 66,6% (6 183 records)
hasTestingSet= 33,3% (3 102 records)
Com o objectivo de classificação foram usados quatro algoritmos, todos disponíveis no WEKA Toolkit: J48 (c45); Random Tree; ZeroR e ainda o NaiveBayes.
Como variável de saída foram calculados três atributos cada um indicador do
posto de abastecimento usado (1stUsed; 2stUsed; 3stUsed ). Posteriormente, dentro
de cada atributo foi definido um conjunto de parâmetros para indicar a distância do
posto de abastecimento à residência, tendo-se usado para esse cálculo as distâncias
médias entre códigos postais (3 dígitos).
150
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
p – Less than 10km;
s – Between 10 and 30km;
t – More than 30 kms.
No final do trabalho de modelação, obtiveram-se modelos (conjunto de expressões lógicas) que servirão posteriormente à selecção de dados, e por consequência à selecção de registos da base de dados. Entre as regras mais relevantes obtidas
com vista à explicação do perfil do titular de cartão de fidelização, destaca-se, por
exemplo, a seguinte:
if (age<27 and vehicleType=”Lig” and sex=”Female”) then 1stUsed=”p”
Por outras palavras, os clientes do sexo feminino (sex=”Female”), com idade
inferior a 27 anos (age<27 ), conductores de veiculo ligeiro (vehicleType=”Lig”), usam
normalmente o seu cartão em postos de abastecimento a menos de 10kms de distancia (then 1stUsed=”p”) da sua morada indicada no cartão.
Aplicação e Avaliação
Tendo como base de partida os modelos obtidos, foram seleccionados os clientes a partir da base de dados, havendo-se posteriormente procedido a um estudo dos
registos seleccionados. Posteriormente efectuaram-se ofertas a cada um em função
dos resultados, tendo sido desenvolvido um programa denominado “close to you”
para todos os clientes registados a menos de 10km de cada posto de abastecimento,
onde cada cliente só pelo facto de usar o cartão teria direito a uma oferta da loja (em
parceria com um distribuidor de jornais e revistas).
Registou-se um aumento quer frequência dos clientes já registados, quer ainda
da angariação de clientes que estavam indicados como “desertores” na base de dados
Adicionalmente a companhia adotou a mesma base de dados e com objetivos
de marketing distintos partiu para segmentações em função do produto (e.g., diesel
aditivado ou consumo na loja de conveniência), em função do perfil de veículo/condutor (e.g. ligeiros/clientes do sexo feminino) e até mesmo em função do horário de
abastecimento (e.g., definição perfis de fluxos de tráfego).
O papel das bases de dados como repositório de conhecimento escondido
151
Finalmente, foi criado um grupo de trabalho para a exploração das bases de
dados da companhia e cruzamento informação no sentido de apoiar quer o desenvolvimento de estratégias de marketing quer de atividades comerciais especificas.
6
Conclusões e Trabalho Futuro
Em resposta ao desafio da lealdade, a prioridade dos estrategas de marketing
vem evoluindo em direcção a uma preocupação mais centrada no cliente, de tal forma que as organizações têm vindo a utilizar as novas tecnologias de informação e
adoptado as bases de dados de marketing e os cartões de lealdade numa tentativa de
satisfazer os clientes e promover relações fortes e duradouras.
Com a utilização de bases de dados de marketing foi possível uma maior precisão na análise de mercado. Elas abriram a possibilidade de tratar cada consumidor
como um alvo individual. A importância de bases de dados actualizadas, correctas
e bem construídas tem aqui um papel fundamental, mas não chegam. Saber quem
são os clientes, não serve para nada se depois não os diferenciarmos e não conseguirmos customizar a relação e a oferta comercial. A interiorização deste facto tem
conduzido muitas empresas a efectuarem grandes investimentos em ferramentas
de gestão baseadas em tecnologia de informação e comunicação, como é o caso do
CRM, e a adoptarem comportamentos relacionais através da prática de um marketing individualizado.
O facto de existirem muitos dados nas organizações não significa necessariamente que as mesmas possuam a informação que necessitam sobre os seus clientes. O
trabalho desenvolvido permitiu o estudo, numa perspectiva tecnológica, da importância das BD na prossecução de objectivos de mercado, como sejam a captação e da
fidelização de clientes em projectos de CRM. O desenvolvimento do CRM baseado
no CVC traduz-se por um lado, como uma origem de dados muito importante para
o esforço de marketing, mas por outro lado, confirma que apenas será possível o
desenvolvimento de projectos neste âmbito, se existir uma utilização eficaz das BD.
Demonstrada a insuficiência do uso estatístico clássico ou de simples procedimentos de interrogação das BD existentes, expôs-se ao longo deste artigo o papel que
pode estar reservado à DCBD nos três programas que integram o CRM baseado no
CVC: programas de aquisição, fidelização e recuperação.
A metodologia utilizada neste trabalho é baseada no CVC, decorrendo do
facto de se assumir que o CRM se centra na análise dos desejos e na satisfação das
152
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
necessidades de cada cliente, ao longo da relação com a organização. Contudo, esta
abordagem apresenta limitações para objectos de estudo distintos, e.g., sempre que
uma organização introduz no mercado um novo produto fará mais sentido organizar
o processo de CRM em torno do ciclo de vida do produto.
Os resultados obtidos, embora de divulgação bastante controlada, permitem
aferir o sucesso que esta abordagem teve, tem e terá em programas de marketing com
suporte em bases de dados
Como trabalho futuro é possível apontar outras aplicações e estudo das bases
de dados em programas de aquisição e recuperação de clientes.
Referências
Arndt, Dirk; Gersten, Wendy (2001), “Data Management in Analytical Customer Relationship
Management” Workshop:“Data mining for marketing applications”, Universidade Hasselt, Belgica.
Berry Michael J. A.; Linoff, Gordon S (2000), “Mastering Data Mining”, John Willey and Sons, New
York.
Berson, Alex; Smithy Stephen; Theraling, Kur (1999), “Building Data Mining Applications for
CRM”, McGraw-Hill, NewYork.
Bretzke, Miriam (2005), “CRM como diferencial competitivo” http://www.bretzke-marketing.com.br,
(20-06-2005).
BRITO, C. e Lencastre, P. (2000), Os Horizontes do Marketing, Editorial Verbo.
Brown, Stanley A. (2000), “Customer Relationship Management”; John Willey & sons, Ontário, 2000
Burnett, Ken (2001), “The Handbook of key customer relationship management”; Prentice Hall;
London.
BUTTLE, F. (1998), “The S.C.O.P.E. of Relationship Marketing”, Manchester Business School.
CARDOSO, Viana, Figueiredo, Costa, Santos, Roxo, Correia, Dias, Pinheiro,
Rebelo, Nogueira, Ribeiro, Nunes e Branco coordenados por SILVA, F. e ALVES, J. A
(2001), ERP e CRM, Lisboa: Edições Centro Atlântico, Lda.
Castro, João Pinto (2005), “Marketing: 19 apontamentos” Economia Pura, Jan/Fev, pag. 43-46.
COELHO, Arnaldo e ALMEIDA, Filipe (2000), “Rumo a um Marketing Contratual”, Actas das XXIV
ENANPAD, Setembro, Brasil.
COLGATE, M.R. e DANAHER, P.J. (2000), “Implementing a Customer Relationship Strategy: The
Asymmetric Impact of Poor Versus Excellent Execution”, Journal of the Academy of Marketing Science,
Volume 28, Nº 3, pp. 375-387.
CRAFT, S.H. (1999), “Marketers Gain by Measuring True Loyalty”, Marketing News, Chicago, 10 de May.
Drucker, Peter (2001), “The Essencial Drucker: In One Volume the Best of Sixty Years of Peter´s
Druckers Essencial Writings on Management”; Harper Business.
O papel das bases de dados como repositório de conhecimento escondido
153
DYCHÉ, J. (2002), The CRM Handbook – A Business Guide to Customer Relationship Management,
USA: Addison-Wesley Pub. Co..
Fayyad, Piatetsky-Shapiro, and Uthurusamy (1996), “Advances in Knowledge Discovery &
Data Mining”. Cambridge, MA (The AAAI Press/The MIT Press).
Godin, Seth (1999), Permission Marketing: Turning Strangers into Friends, and Friends Into
Customers, New York: Simon & Schuster. Disponível em <http://www.permission.com/index.html>.
Gray, Paul; Byun Jongbok (2001) “Customer Relationship Management”, Claremont Graduate
School, March.
Hughes, Arthur M. (1995),”The Complete Database Marketer”; Chicago; Probus Publishing Co.
Ingolf Geist (2002), “Framework for Data mining and KDD”, IEEE, University of Magdesburg.
Kotler, Philip (2002), “Marketing Management”; Prentice-Hall.
KOTLER, Philip, (1994), Marketing Management: Analysis, Planning, Implementation, & Control, 8th.
ed., Englewood Cliffs, NJ: Prentice Hall, Inc.
Lehu, Jean-marc (2000), “Fidelização do Cliente: A Terceira Via”, Revista Portuguesa de Gestão, Nº 2,
Primavera, Instituto Superior de Ciências do Trabalho e da Empresa, pp. 6-10.
Linoff, Gordon S.; Berry Michael J. A. (1997), “Data Mining Techniques – For Marketing, Sales and
Customer Support”, John Willey and Sons, New York.
NEWELL, Frederick (2000), Loyalty.com – Customer Relationship Management in the New Era of
Internet Marketing, New York, NY: McGraw-Hill.
PEPPERS e ROGERS, (1995), “Do You Want to Keep Your Customers Forever”, Harvard Business
Review, March-April, pp. 103-114.
PEPPERS, D. e ROGERS, M. (1993), The One to One Future: Building Relationships One Customer at a
Time, New York: Currency/Doubleday.
PEPPERS, D. e ROGERS, M. (1999), The One to One Manager: Real -World Lessons in Customer
Relationship Management, Currency/Doubleday.
PMELINK (2005), “Como aplicar o conceito de CRM” http://www.pmelink.pt, Acedido a 20-06-2005
PRITCHARD, M., HAVITZ, M. e HOWARD, D. (1999), “Analysing the Commitment-Loyalty Link in
Service Contexts”, Journal of Academy of Marketing Science, Vol. 27, Nº 3, pp. 333-348.
REICHELD, F. e SASSER, W. (1990), “Zero Defections: Quality Comes to Services”, Harvard Business
Review, Vol. 69, September-October, pp. 45-51.
REICHHELD, F. e DETRICK, C. (2003), “Loyalty: A Prescription for Cutting Costs”, Marketing
Management, Vol. 12, Nº 5, September/October, p.24.
Reichheld, Frederick, Teal, Thomas (2001) “Loyalty Effect”, Harvard Business Scholl Press.
REIS, J. (2000), O Marketing Personalizado e as Tecnologias de Informação, Matosinhos: Centro
Atlântico.
ROBERTS, J. (2000), “Developing New Rules for New Markets”, Journal of the Academy of Marketing
Science, Vol. 28, Nº. 1, pp. 31-44.
154
Coletânea Luso-Brasileira iv – Gestão da Informação, Inovação e Logística
ROSENBERG, L. J. e CZEPIEL, J. (1984), “A Marketing Approach for Customer Retention”, Journal of
Consumer Marketing, Vol. 1, Spring, pp. 45-51.
RYALS, L. (2003), “Creating Profitable Customers Through the Magic Data Mining”, Journal of
Targeting, Measurement and Analysis for Marketing, Vol. 11, Nº 4, pp. 343-349.
Sánchez, Alfredo e López, Valentín (2003), “El CRM analítico. La estrategia de implantación en
Telefônica São Paulo”, Telefônica Investigación y Desarrollo.
SLATER, S., e NARVER, J. (2000), “Intelligence Generation and Superior Customer Value”, Journal of
the Academy of Marketing Science Vol. 28, Nº 1, pp. 120-127.
Slywotzky, Adrian (2000), “The age of the choice board”, Harvard Business Review, January –
February.
SMITH, Brock, (1998), “Buyer-Seller Relationships: Bonds, Relationship Management, and Sex-Type”,
Canadian Journal of Administrative Sciences, Vol. 15, Iss. 1, Março, pp. 76-92.
SODANO, A. (2000), “Leveraging CRM to Build Better Products”, Life & Health/Financial Services
Edition, June (26), pp. 23 e 27.
Sweeney Group (2005), “What is CRM?” http://www.sweeneygroup.com/crm.htm, 2000, Acedido a
16-06-2005
SWIFT, R. (2001), Accelerating Customer Relationships: Using CRM and Relationship Tecnologies,
Upper Daddle River: Prentice Hall.
TAYLOR, S. L. e MITCHELL, M. A. (1996), “Building Donor Relations: Enter Database Marketing”,
Nonprofit World, Vol. 14, Iss. 6, November/December, pp. 22-24.
WILSON, D. (1998), Managing Business Relationships, Chichester: John Wiley & Sons.
Wyner, Gorden (1999), “Customer Relationship Measurement”, Marketing Research, Vol.11, No.2,
Summer, pp.39-41.
O papel das bases de dados como repositório de conhecimento escondido
155