Escolar Documentos
Profissional Documentos
Cultura Documentos
OUT
2
Porto | Lisboa | São Paulo | Rio de Janeiro
Agenda
16:40 Intervalo
17:10 Estudo de Caso: Implementação real Big Data & Omni no Varejo
17:30 Perguntas
3
Porto | Lisboa | São Paulo | Rio de Janeiro
Big Data
4
Porto | Lisboa | São Paulo | Rio de Janeiro
001-a.mp4
https://youtu.be/kwCyxKYqDSM
“Vamos resolver o problema usando o Big Data,
mesmo sabendo que nenhum de nós faz a menor ideia
do que se trata”
6
Porto | Lisboa | São Paulo | Rio de Janeiro
1998 – O começo da Explosão de Dados
• Larry Page and Sergey Brin
• Stanford Univ: BackRub Project
• GFS
• Fundamentos Big Table
• 01 petabyte
• Banco = linha de texto
• Rastrear 100% da rede.
• “Crawler”
• 25MM websites em 1998
• “09 mães & 1 bebê em 1 mês”
7
Porto | Lisboa | São Paulo | Rio de Janeiro
Big Data: Principais Caracteristicas
• Volume (volume)
• Velocidade (velocity)
• Variedade (variety)
• Veracidade (Veracity)
• Elasticidade (Elasticity)
• Valor/Utilidade (Value)
• Disponibilidade (avaiability)
8
Porto | Lisboa | São Paulo | Rio de Janeiro
Bytes?.... Zettabytes!
9
Porto | Lisboa | São Paulo | Rio de Janeiro
noSQL: Novo conceito de armazenamento de dados.
SQL: Relacional, estruturado, Tradicional.
ACID: Atomicidade, Consistência, Isolamento e Durabilidade
• Teorema de CAP
“Aproximadamente certo é melhor que precisamente
errado” Keynes
10
Porto | Lisboa | São Paulo | Rio de Janeiro
Admirável mundo novo Estrutura base de 01 único Tweet
1970
2015
Tamanho da Wikipedia
* 2 = # tweet por dia
11
Porto | Lisboa | São Paulo | Rio de Janeiro
Big data = Big Nerd
Sheldon e Penny
12
Porto | Lisboa | São Paulo | Rio de Janeiro
13
Porto | Lisboa | São Paulo | Rio de Janeiro
002-a.mp4
https://youtu.be/6mtXVWWRKx4
14
Porto | Lisboa | São Paulo | Rio de Janeiro
15
Porto | Lisboa | São Paulo | Rio de Janeiro
2005: O big data ganha um código aberto
• Doug Cutting
• Yahoo search engine
• Apache: Soft ONG
• Java Runtime Environment (JRE)
• Hadoop Distributed File System (HDFS)
• YARN
• Map Reduce
16
Porto | Lisboa | São Paulo | Rio de Janeiro
2005: Big Data ganha nome ‘Big Data’
• Roger Magoulas (oreilly.com) pela primeira vez associa a atividade ao termo BigData
17
Porto | Lisboa | São Paulo | Rio de Janeiro
ERP Data Warehouse Business
Objects
Haddop: Marshalling
Other BI solutions
18
18 Porto | Lisboa | São Paulo | Rio de Janeiro
003-a.mp4
https://youtu.be/4CC-DqQLmfM
19
19 Porto | Lisboa | São Paulo | Rio de Janeiro
2014: Dispositivos web no planeta
20
Porto | Lisboa | São Paulo | Rio de Janeiro
Brazil como potência e potencial de crescimento
21
Porto | Lisboa | São Paulo | Rio de Janeiro
WebTimeline
22
Porto | Lisboa | São Paulo | Rio de Janeiro
23
23 Porto | Lisboa | São Paulo | Rio de Janeiro
2014: Mobile assume liderança como ‘device’ de acesso
24
Porto | Lisboa | São Paulo | Rio de Janeiro
004-a.mp4
https://youtu.be/n8ZY1Gtp05I
25
Porto | Lisboa | São Paulo | Rio de Janeiro
2010: Videos tornam-se a força da Web
26
Porto | Lisboa | São Paulo | Rio de Janeiro
2011: Influencia muda a direção
Jay Baer: “True influence drives action, not just awareness.”
• Influenciador:
• Inserido no contexto comercial da rede de lojas
• Alto poder de alcance, capilaridade.
• Ação. O influenciador deve trabalhar com afinco.
• Atitude inspiradora. MUDA A DIREÇÃO!
• Isenção. Sua opinião deve ser levada em conta na campanha.
Ação
27
Porto | Lisboa | São Paulo | Rio de Janeiro
Líderes de opinião: Geram nova atitude na rede
28
Porto | Lisboa | São Paulo | Rio de Janeiro
004-b.mp4
https://youtu.be/qLGTrS5pdQQ
29
Porto | Lisboa | São Paulo | Rio de Janeiro
2013: Um novo modelo social
30
Porto | Lisboa | São Paulo | Rio de Janeiro
2014: GIS passa a ser Big-player no ‘Big Data’
“O google sabe onde você está, sabe de onde veio e
provavelmente sabe para onde vai.” K.Lewis
31
Porto | Lisboa | São Paulo | Rio de Janeiro
005-a.mp4
https://youtu.be/97NmTCmDeK4
32
Porto | Lisboa | São Paulo | Rio de Janeiro
Intervalo
33
Porto | Lisboa | São Paulo | Rio de Janeiro
Omni-Channel
34
Porto | Lisboa | São Paulo | Rio de Janeiro
006-a.mp4
https://youtu.be/Ctg6gkh8ews
35
Porto | Lisboa | São Paulo | Rio de Janeiro
2/3 dos consumidores varejo são influenciados pelo web
36
Porto | Lisboa | São Paulo | Rio de Janeiro
2/3 pelo site. Metade por email. 1/3 pelas redes sociais
37
Porto | Lisboa | São Paulo | Rio de Janeiro
Definição: Omni-Channel > Multi-canais
• USA: Sears 1800
• Definição: Sistemas e processos que facilitam a
compra do cliente, onde a transação percorre
múltiplos canais de venda.
• Brasil: Polishop
• Loja Própria
• Web-commerce
• Catálogo
• TV
• Callcenter
• Convergência:
• Entregas
• Pagamentos
• Devoluções
38
Porto | Lisboa | São Paulo | Rio de Janeiro
Tendências do varejo para 2015
39
Porto | Lisboa | São Paulo | Rio de Janeiro
Gargalos enfrentados no Omni Channel
1. Identificação do cliente:
a. Online: Identificação sólida.
b. Lojas físicas: Somente dados cartão de
crédito criptografados (anónimos).
c. Desafio: Integração conectar de dados
online e offline.
2. Logística fraca:
a. Diversos Centros de distribuição
b. Lentidão geográfica.
c. Custo de frete.
d. Baixo investimento
3. Plataformas internas diferentes:
a. Tecnologias instaladas diferenciadas.
b. Dados mestre (cadastro) distintos.
c. Processos de negócio on-line e loja física
diferentes
4. Falha de inventário:
a. Saldos incorretos.
b. Separação errada.
c. Trocas para conter frustações.
40
Porto | Lisboa | São Paulo | Rio de Janeiro
41
Porto | Lisboa | São Paulo | Rio de Janeiro
008-a.mp4
https://youtu.be/Y3jTfUeXez8
42
Porto | Lisboa | São Paulo | Rio de Janeiro
A ‘régua’ da logística subiu!
43
Porto | Lisboa | São Paulo | Rio de Janeiro
Omni: Atrair o consumidor web para loja
44
Porto | Lisboa | São Paulo | Rio de Janeiro
009-a.mp4
https://youtu.be/tkcu17armjA
45
Porto | Lisboa | São Paulo | Rio de Janeiro
Vale Uber: Buscando o cliente.
46
Porto | Lisboa | São Paulo | Rio de Janeiro
OMNI: Compre on-line, busque na loja
47
Porto | Lisboa | São Paulo | Rio de Janeiro
Target melhora resultado corporativo com Omni-Channel
1800 lojas
“Cerca de 30 % das visitas às Target fora para
resgatar uma encomenda ‘online’ e resultaram
compras adicionais na mesma viagem. O ticket
médio neste caso é muito maior do que um venda
de loja padrão.”
Kathee Tesija
Target's Chief Merchandising Officer
https://www.internetretailer.com/2014/02/27/target-books-20-increase-online-sales-q4
48
Porto | Lisboa | São Paulo | Rio de Janeiro
Usando a ‘rede’ logística existente: Pick-up store
49
Porto | Lisboa | São Paulo | Rio de Janeiro
Mitigando o risco de ‘inventário errado’.
50
Porto | Lisboa | São Paulo | Rio de Janeiro
Não dê desconto! Dê vantagem a ser resgatada na visita.
51
Porto | Lisboa | São Paulo | Rio de Janeiro
Medir visitação: Não é somente web!
• O resultado do Omni-channel deve ser medido em ambos
os canais: Lojas físicas e web.
52
Porto | Lisboa | São Paulo | Rio de Janeiro
010.mp4
https://youtu.be/6oZF5KP1-0U
53
Porto | Lisboa | São Paulo | Rio de Janeiro
Business Case (*)
Situação atual:
• Rede varejo de moda masculina A+ com 100 lojas e faturamento acima de R$1.5Bi/ano
• Web-commerce representa 10% de suas vendas. 01MM clientes cadastrados.
• CRM fraco. Cadastro de clientes somente na web.
• Não existe integração entre sistema de loja (pdv), backoffice (ERP) e sistema de web.
• Operação de WEB possui cnpj distinto da rede e com CD separado.
• Inventários com baixa consistência nas lojas.
• Objetivo:
• Utilizar técnicas de big-data e omni-channel simultaneamente;
• Verba investimento: R$ 650k (0,4% fat/ano)
• Período: 03 meses
• Aumentar as vendas de loja em 2%;
• Vendas da web em 5%;
• Aumentar visitação nas lojas visitas e no e-commerce em 5%.
• Demostrar aos controladores a eficiência das ferramentas e capacidade de avaliação do ROI.
(*) situação simulada, não correspondente a realidade especifica de uma rede de comércio.
54
Porto | Lisboa | São Paulo | Rio de Janeiro
Plano de ação (*) 1. Identificar e definir 01 região piloto e 05 lojas/teste padrão.
2. Avaliar geração de ‘insights’ recentes no Twitter e Facebook
3. Identificar geograficamente o publico alvo ‘não comprador’
pelo gmaps/wase.
4. Identificar no inventário itens ‘slow-moving’ (baixo giro) global
e transferir para loja piloto.
5. Convocar ’influencers’ internos e externos para definir lista de
ofertas para campanha de produtos ‘slow-moving’ já existentes
em estoque, de alta valor agregado e alta margem.
6. Construir aplicativo na plataforma e-commerce que gere
cupons de descontos autenticados para compra em loja quando
o cliente web fechar o carrinho.
7. Construir aplicativo no sistema de loja (PDV) para identificar o
cupom gerado pela web.
8. Instalar identificador de fluxo de clientes na loja piloto.
9. Modificar layout web para campanha.
10.Fechar web-campanha de email marketing e PPC, em conjunto
com ‘influencers’.
11.Fechar social analitics real-time para o período de campanha.
(*) situação simulada, não correspondente a realidade especifica de uma rede de comércio.
55
Porto | Lisboa | São Paulo | Rio de Janeiro
Plano de Investimento (*)
R$/Mil
Codificação Programa
Aplicativo na plataforma e-commerce Gerador cupons 40
Aplicativo (PDV) identificador o cupom 40
Aplicativo Lojas
Identificador de fluxo de clientes em 05 lojas/test 70
Campanha WEB
Modificar layout web para campanha.UX 25
Web-campanha de email marketing e PPC 100
Campanha Influencers 80
Hadoop
Social analitics real-time para o período de campanha. 100
Avaliar geração de ‘insights’ recentes no Youtube e Facebook 50
Identificar publico alvo ‘não comprador’ pelo gmaps/wase. 50
Outros 70
Total 625
(*) valores estimados
56
Porto | Lisboa | São Paulo | Rio de Janeiro
Cronograma (*) Campanha
Duração em Meses
Atividades 01 02 03
‘Insights’ Twiter/ Facebook
Publico alvo gmaps/wase.
Gerador cupons Web
Leitor de cupom PDV
Identificador de fluxo de clientes
Layout web para campanha.UX
Email marketing & PPC
Campanha Influencers
Social Analitics
(*) situação simulada, não correspondente a realidade especifica de uma rede de comércio.
57
Porto | Lisboa | São Paulo | Rio de Janeiro
Resultados (*)
Vendas Web: +4,8% Vendas Físicas: +8,1% Visitas web: +15,4% Visitas Loja: +23,9%
(*) situação simulada, não correspondente a realidade especifica de uma rede de comércio.
58
Porto | Lisboa | São Paulo | Rio de Janeiro
Outros resultados (*) Antes da campanha
60
Porto | Lisboa | São Paulo | Rio de Janeiro