Récapitulatif des processus en jeu dans l’autonomie

Muitas organizações já perceberam que o conhecimento armazenado na base de dados é fundamental para apoiar as várias decisões organizacionais. Em particular, o conhecimento sobre os clientes que pode ser obtido a partir desses dados é crítico para a função de marketing e vendas.

A seguir, são relacionadas as principais áreas de interesse na utilização de Data

Mining (Mannila, 1997; Cratochvil, 1999; Dias, 2002):

a) Marketing / Vendas: com as ferramentas de DM e de Business Intelligence (BI) tornou-se possível: i) descobrir e identificar padrões de comportamento de consumidores; ii) ajudar no desenvolvimento de novos produtos (Thelen et al., 2004); iii) associar comportamentos à características demográficas de consumidores; iv) reforçar a aquisição de clientes com o marketing directo; v) análise de vendas cruzadas (associações e correlações entre vendas de produtos);

vi) estabelecer contactos multi-canal, para melhorar desenvolvimento do cliente

18 _{Um modelo é o output de um método de Data Mining, que em termos abstractos corresponde (o}

método) a um algoritmo. Esse método pretende resolver uma determinada tarefa/problema de Data Mining.

com o cross-selling e up-selling19 de produtos (Thelen et al., 2004), bem como aumentar a retenção dos melhores clientes; e vii) identificar novas oportunidades de vender serviços adicionais;

b) Detecção de fraudes: muitas fraudes “óbvias” podem ser encontradas sem DM como por exemplo na compensação de cheque por pessoas falecidas, mas a detecção de padrões mais subtis de fraude, como o caso do uso fraudulento de cartões de crédito (Kantardzic, 2003) pode ser mais dificilmente detectado; c) Medicina: o DM tem sido muito aplicado na área da medicina, e permitiu

identificar por exemplo: i) terapias médicas de sucesso para diferentes doenças;

ii) factores causa/efeito; iii) novas abordagens para os tratamentos (Ferreira et al., 2006); iv) determinar padrões, como é o caso do DNA (Deoxyribonucleic Acid) e dos genes (Fayyad et al., 1996); e v) caracterizar o comportamento do

paciente para prever visitas, identificar terapias. Podemos também destacar, à titulo de exemplo, as investigações sobre a compreensão do fenómeno da dor recorrendo a técnicas de Data Mining (Ferreira et al., 2006);

d) Instituições financeiras e bancárias: de acordo com vários profissionais da área, o DM permite ajudar a: i) customização das diversas ofertas promocionais. Por exemplo, os emails directos podem ser personalizados de acordo com o segmento dos titulares da conta no banco; ii) melhorar as taxas de resposta das campanhas de emails; iii) reduzir o tempo necessário para classificar os clientes, este, por sua vez, vai permitir melhorar a eficiência da força de vendas do grupo- alvo; iv) ajudar na optimização do seu portfólio de serviços e canais de entrega;

v) efectuar uma melhor segmentação e targeting de clientes ao analisar melhor

os padrões de compra dos clientes ao longo do tempo; vi) detectar novas tendências de compras favorecendo atitudes pró-activas como por exemplo acrescentar valor aos produtos e serviços existentes e lançar novas ofertas de produtos e serviços; vii) detectar padrões de uso de cartão de crédito fraudulento; viii) identificar clientes “leais”, ix) determinar gastos com cartão de crédito por grupos de clientes; e x) encontrar correlações escondidas entre

19 _{Os modelos de Cross-sell são usados para prever a probabilidade ou valor de um actual cliente de}

comprar um produto ou serviço da mesma empresa (cross-sell). Enquanto que os modelos de Up-sell são usados para prever a probabilidade ou valor de um cliente para comprar mais do mesmo produto ou

diferentes indicadores financeiros (Dias, 2002).

De acordo com Rygielski et al., (2002), os bancos podem utilizar os conhecimentos descobertos nas bases de dados em várias aplicações, incluindo:

i) o marketing de cartões: ao identificar segmentos de clientes, emissores e

adquirentes de cartões será possível melhorar a rentabilidade com programas mais eficiente de aquisição e retenção, desenvolvimento de produto-alvo, e preços costumizados; ii) a avaliação e rentabilidade dos titulares dos cartões: “As entidades emitentes de cartões podem tirar partido da tecnologia de Data

Mining para fixar o preço dos seus produtos de modo a maximizar os lucros e

minimizar a perda de clientes”20; iii) a detecção de fraudes: ao analisar as transacções passadas determinadas como fraudulentas, o banco pode identificar padrões que torna essa tarefa mais simples e eficaz; e iv) a previsão da Gestão de ciclo de vida: o Data Mining ajuda os bancos a prever o Lifetime Value21 (LTV) de cada cliente e servir cada segmento adequadamente (por exemplo, oferecendo descontos e promoções especiais);

e) Apólice de seguro: na análise de reivindicações - determinar quais procedimentos médicos são reivindicados, prever quais clientes comprarão novas apólices, identificar padrões de comportamento de clientes perigosos, e identificar comportamento fraudulento (Viveros et al., 1996);

f) Industria de retalho: os dados no retalho “abrangem um amplo espectro” (incluído vendas, clientes, empregados, transportação de mercadorias, consumo, e serviços) (Han e Kamber, 2006). Segundo esses autores, existe um grande diversidade de utilização de técnicas de DM para a industria de retalho tais como: i) Análise da eficácia das campanhas de vendas; ii) Análise multidimensional de vendas, clientes, produtos, tempo e retenção de cliente por regiões; iii) análise de fidelização de clientes; e iv) recomendação de Produto e referências cruzadas de artigos (cross-referencing of items);

g) e Web: existem muitas investigações direccionadas à aplicação de DM na web, tais como: (Mobasher et al., 2000; Sarawagi e Nagaralu, 2000; Rebelo, 2006;

20 _{Fonte: www.data-miners.com.}

21 _{No Marketing, o Lifetime Value (LTV) de um cliente é o valor actual (geralmente expresso em moeda)}

dos lucros futuros que podem ser derivados de um cliente baseado nos lucros que foram recebidos desse cliente no passado.

Ruiz e Lassala, 2006).

Um inquérito realizado pelo KDnuggets22 _{em 2008 sobre as aplicações de DM revelam}

que as duas principais utilizações do Data Mining são relacionados com CRM -

Customer Relationship Management e com a área bancária (ver na figura 3.2.).

Figura 3.2. – Inquérito sobre as aplicações de Data Mining (por indústria) realizado no

mês de Dezembro de 2008) pelo site kdnuggets.com

Ou seja, é interessante constatar que, em geral, as principias áreas de utilização do DM estão relacionadas com o marketing e a área comercial. Na nossa opinião, acreditamos que as ferramentas de DM vão continuar a evoluir e a desenvolver-se nestas áreas tão versáteis e complexas que são as vendas e o marketing.

Uma descrição mais detalhada das aplicações de DM pode ser encontrada em

Berry e Linoff (2004); Han e Kamber (2006).