retail: big data e omni-channel

Rio de JaneiroSão PauloLisboaPorto

Workshop Meeting 09.OUT

Big Data & Omni-Channel

Porto | Lisboa | São Paulo | Rio de Janeiro

2

Apresentação: Douglas Bernardini• 15+ experiência em TI• Gerente de projeto das implementações

SAP na General Eletric, Citrosuco.• Arquiteto SAP/Varejo nas

implementações da Leo Madeiras, Ri-Happy, Supermercado Lopes, Drogaria Onofre.

• Formado na ESPM, Pós graduado na FGV.

• Cursando especialização em TI na Harvard Extension School.(on-line)

• 4+ PoC em BigData• Consultor de Omni-Channel na

SBF/Centauro• Casado, Corintiano, Pai de 02 filhas.


3

Agenda

16:00 Big Data. Historico, tecnologia, desafios, engenharia social, influenciadores

16:40 Intervalo

16:50 Omni-Channel, varejo, canais de distribuição, ROI.

17:10 Estudo de Caso: Implementação real Big Data & Omni no Varejo

17:30 Perguntas


4

Big Data

https://youtu.be/kwCyxKYqDSM

001-a.mp4




6

“Vamos resolver o problema usando o Big Data, mesmo sabendo que nenhum de nós faz a menor ideia do que se trata”


7

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”


8

Big Data: Principais Caracteristicas

•Volume (volume) •Velocidade (velocity)•Variedade (variety)

•Veracidade (Veracity)

•Elasticidade (Elasticity)

•Valor/Utilidade (Value)

•Disponibilidade (avaiability)


9

Bytes?.... Zettabytes!


10

noSQL: Novo conceito de armazenamento de dados.SQL: Relacional, estruturado, Tradicional.

ACID: Atomicidade, Consistência, Isolamento e Durabilidade

noSQL: “Programa” que lê um texto solto.

•Teorema de CAP

“Aproximadamente certo é melhor que precisamente

errado” Keynes


11

Admirável mundo novo1970

2015

Estrutura base de 01 único Tweet

Tamanho da Wikipedia * 2 = # tweet por dia


12

Big data = Big Nerd

Sheldon e Penny


13


14

https://youtu.be/6mtXVWWRKx4

002-a.mp4




15


16

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


17

2005: Big Data ganha nome ‘Big Data’

•Roger Magoulas (oreilly.com) pela primeira vez associa a atividade ao termo BigData

•Cloudera: Ex membros da Apache foundation

•Hortonworks: Yahoo Capital

•MapR: Google capital

•Amazon inaugura o serviço EMR (Elastic MapReduce)

2008/9: Hadoop ganha força corporativa

2011: Big Data na nuvem


1818

ERP Data Warehouse

Haddop: Marshalling

BusinessObjects

Other BI solutions


1919

https://youtu.be/4CC-DqQLmfM

003-a.mp4




20

2014: Dispositivos web no planeta


21

Brazil como potência e potencial de crescimento


22

WebTimeline


2323


24

2014: Mobile assume liderança como ‘device’ de acesso


25

https://youtu.be/n8ZY1Gtp05I

004-a.mp4




26

2010: Videos tornam-se a força da Web

Venda do youtube em 2006: USD 1.6BIValor de mercado em 2015: USD 70BI


27

2011: Influencia muda a direçãoJay 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


28

Líderes de opinião: Geram nova atitude na rede


29

https://youtu.be/qLGTrS5pdQQ

004-b.mp4




30

2013: Um novo modelo social


31

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


32

https://youtu.be/97NmTCmDeK4

005-a.mp4




33

Intervalo


34

Omni-Channel


35

https://youtu.be/Ctg6gkh8ews

006-a.mp4




36

2/3 dos consumidores varejo são influenciados pelo web


37

2/3 pelo site. Metade por email. 1/3 pelas redes sociais


38

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


39

Tendências do varejo para 2015


40

Gargalos enfrentados no Omni Channel1. 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 distribuiçãob. 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.


41


42

https://youtu.be/Y3jTfUeXez8

008-a.mp4




43

A ‘régua’ da logística subiu!


44

Omni: Atrair o consumidor web para loja


45https://youtu.be/tkcu17armjA

009-a.mp4

https://youtu.be/tkcu17armjA

https://youtu.be/tkcu17armjA


46

Vale Uber: Buscando o cliente.


47

OMNI: Compre on-line, busque na loja


48

Target melhora resultado corporativo com Omni-Channel

https://www.internetretailer.com/2014/02/27/target-books-20-increase-online-sales-q4

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 TesijaTarget's Chief Merchandising Officer


49

Usando a ‘rede’ logística existente: Pick-up store


50

Mitigando o risco de ‘inventário errado’.


51

Não dê desconto! Dê vantagem a ser resgatada na visita.


52

• O resultado do Omni-channel deve ser medido em ambos os canais: Lojas físicas e web.

• Operação de web-commerce normalmente já possuem sua métrica de conversão em vendas.

• A conversão da loja física depende de inúmeros fatores ‘não-digitais’ como pessoas, limpeza, treinamento, cordialidade, gerência, etc.

• Medir visitação em loja eleva o nível de precisão da campanha, qualifica a campanha e traz consistência as ações futuras.

Medir visitação: Não é somente web!


53https://youtu.be/6oZF5KP1-0U

010.mp4

https://youtu.be/6oZF5KP1-0U

https://youtu.be/6oZF5KP1-0U


54

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.

Business Case (*)

(*) situação simulada, não correspondente a realidade especifica de uma rede de comércio.


55

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.

Toda compra em nosso website recebe

um vale compras de R$ 50 para gastar em

nossa loja.



56

Cronograma (*)

‘Insights’ Twiter/ FacebookPublico alvo gmaps/wase.Gerador cupons WebLeitor de cupom PDVIdentificador de fluxo de clientesLayout web para campanha.UXEmail marketing & PPCCampanha InfluencersSocial Analitics

01 02 03

CampanhaDuração em Meses

Atividades



57

Resultados (*)

Vendas Web: +4,8%

Seguidores Youtube/Facebook: +60,1%

Vendas Físicas: +8,1% Visitas web: +15,4% Visitas Loja: +23,9%

Citações Positivas Youtube/Facebook: +70,9%Citações Positivas Youtube/Facebook: -50,4%



58

Outros resultados (*)

1. Metade do pagamento aos ‘influencers’ foi em cupons. Que acabaram sendo presente a outros ‘influencers’. Que aumentaram a influencia do site.

2. Todo cupom dado de presente, por definição, teve que ser resgatado na web. Esta ação aumentou a visitação do site.

3. O pagerank (google) do website aumentou de 2 para 4. Pageranks elevados aumento o valor da corporação.

4. Pela primeira vez houve uma oferta de um fornecedor em estar na primeira página da web-commerce. Isto chamou atenção a possibilidade de venda de espaço (trade-marketing).

5. Pela inexistência do CRM, foi impossível avaliar quantos consumidores retornaram devido campanha. Mas os vendedores se entusiasmaram ao saber que 100% dos cupons estavam na web, onde já havia obrigatoriamente cadastro, email, contato, etc.

6. O levantamento de big data mostrou que os consumidores desejavam uma linha de ‘underware’.

7. O ‘slow moving’ foi todo vendido. 8. O layout da loja revisto. Foi estabelecida uma

estratégia de planograma mais efetiva.

Antes da campanha

Durante Campanha



59

Dúvidas, Perguntas?

retail: big data e omni-channel

Retail