Como usar dados externos para melhorar análises de vendas no varejo?

Este texto foi inspirado na aula dada pelo Rafael Andreatta no curso Data Science para Estratégias de Marketing, da DataTech Club. Na data do curso, Rafael era Diretor de Business Intelligence na Unilever.

No mercado de varejo e bens de consumo, algumas tecnologias e pesquisas são essenciais para entender o comportamento do consumidor e proporcionar uma melhor experiência de compra. Na aula, Rafael abordou um caso de segmentação que ajudou muitos gestores a abrirem a cabeça em relação às possibilidades de atuação no varejo.

No caso, é possível clusterizar o mercado a partir de diversas características como: lojas, faturamento, número de clientes, sortimento de produtos, ticket médio das compras, entre outros. Para conseguirmos entender com clareza a estratégia utilizada, primeiramente, vamos compreender um dos algoritmos utilizados: K-means. Esse é um dos algoritmos não-supervisionados mais populares de agrupamento de dados. É amplamente utilizado devido a sua simplicidade e facilidade de interpretação dos resultados. 

Seu funcionamento parte da definição de K pontos (K sendo o número de clusters) como centróides iniciais. A partir dessa definição inicial da posição dos centróides o processo será repetido, formando K grupos associando todos os pontos aos centróides mais próximos, repetindo até que a posição dos centróides não se altere. 

Neste texto vamos dar mais atenção a como o Rafael, utilizando o portal da transparência, utilizou dados do Auxílio Emergencial para utilizar em seu modelo. Ao identificar localidades com maior auxílio recebido per capita, é possível compreender o que cada cliente mudou em seu consumo, em comparação a clientes de lugares que tiveram menos recebimento per capita dessa distribuição emergencial de renda. Para fazer a análise, foram escolhidas diversas variáveis como reais por quilograma de produto comercializado e também o público alvo de cada loja (gourmet, híbrido ou popular).

O segundo passo foi utilizar os dados do Auxílio Emergencial com base no portal da transparência. Por meio de uma lógica de dispersão, regiões que receberam mais, ganhavam uma intensidade maior comparadas às regiões que receberam menos, gerando uma classificação em 6 diferentes níveis.

Com base nas informações de cada tipo de loja e na classificação do auxílio per capita, foi possível analisar os extremos:
Mínimo: Elevado nível de recebimento de Auxílio Emergencial per capita em lojas populares (considerado o mínimo);
Máximo: Baixo nível de  recebimento de Auxílio Emergencial per capita lojas gourmet 

Dessa forma, foi feito o trabalho de comparação com o período pré-pandemia, com a finalidade de analisar resultados de crescimento e mudanças de público alvo nas lojas.

Slide utilizado na aula:

Em resumo, para uma análise do varejo, no momento do auxílio emergencial, foi escolhido o uso do método K-Means para clusterização da renda, no qual o algoritmo, de maneira automatizada, processa dados do IBGE e da empresa, fornecendo classificações de informações de acordo com os próprios dados. 

Em relação ao auxílio emergencial, como foi analisada apenas uma variável (auxílio per capita) foi necessário apenas classificar entre regiões que mais receberam e não receberam, identificando pontos interessantes para exploração. 

Esse é um exemplo prático de como empresas podem usar dados públicos para impulsionar suas estratégias e o seu processo de tomada de decisão. Se você quiser entender mais sobre ciência de dados e como aplicar esse conhecimento em situações que vão te destacar diante de qualquer desafio, assine a DataTech Club para desenvolver ainda mais sua capacidade analítica.