5 maneiras de usar ciência de dados no marketing

uma introdução à ciência de dados no marketing

Você já comprou itens em uma plataforma de compras online e, depois disso, passou a ver anúncios de produtos parecidos em todo site que acessa? Isso é ciência de dados aplicada ao marketing.

A maior parte dos dados do mundo foi gerada só nos últimos dois anos, e as empresas hoje conseguem coletar e armazenar dados de clientes em uma escala nunca vista. Cada interação do usuário com o site, a página de redes sociais ou o sistema de PDV de uma organização cria novos pontos de dados.

Esses dados servem para gerar insights sobre o comportamento dos usuários e, com isso, enviar anúncios sob medida, recomendações personalizadas de produtos e promoções especiais.

A maioria de nós interage com aplicações de ciência de dados em marketing no dia a dia e toma decisões com base nelas sem nem perceber. 

Neste artigo, vamos passar por 5 maneiras de usar ciência de dados no marketing. Depois, vamos sugerir um projeto pessoal que você pode incluir no seu portfólio de ciência de dados para cada caso de uso. Por fim, vamos falar por que vale a pena se tornar um cientista de dados de marketing e como conquistar uma vaga nessa área.

5 casos de uso de ciência de dados no marketing

1. sistemas de recomendação

Empresas como Netflix, Spotify e Amazon usam sistemas de recomendação para sugerir conteúdo personalizado com base na interação do usuário com a plataforma.

Por exemplo, se você assiste a um filme na Netflix e dá uma avaliação positiva, na próxima vez que abrir o app vai receber recomendações de filmes com gênero, temática e elenco semelhantes. 

Esse é um exemplo simples de como interagimos com mecanismos de recomendação no dia a dia.

Os sistemas de recomendação ficam mais poderosos com o tempo, conforme os usuários continuam a interagir com eles. 

Se você acabou de chegar no Spotify, por exemplo, as primeiras sugestões de música serão mais genéricas. O app tende a recomendar vários gêneros populares, já que o algoritmo ainda não tem dados suficientes para conhecer suas preferências.

À medida que você passa mais tempo na plataforma, o mecanismo de recomendação aprende seus gostos e desgostos, e as sugestões ficam cada vez mais alinhadas ao seu perfil. O algoritmo chega até a prever o tipo de música que você pode curtir em diferentes épocas do ano ou horários do dia.

tipos de sistemas de recomendação

De forma geral, os sistemas de recomendação se dividem em dois tipos: baseados em conteúdo e baseados em filtragem colaborativa.

1. sistemas de recomendação baseados em conteúdo:

Imagem do autor

Os sistemas baseados em conteúdo geram sugestões apenas a partir das características do próprio produto. 

Se você gostou de ler os livros da série Percy Jackson, por exemplo, pode receber a recomendação de Heroes of Olympus, do mesmo autor e com gênero parecido.

Uma desvantagem desse tipo de algoritmo é que ele não sugere livros diferentes do que você já leu. Se você curtiu Percy Jackson, vai receber majoritariamente recomendações de aventura e fantasia, mesmo que pudesse gostar de um suspense ou de um livro de não ficção.

Esse ponto fraco dos sistemas baseados em conteúdo pode ser minimizado com a filtragem colaborativa, que explicaremos mais adiante.

ideia de projeto: sistema de recomendação baseado em conteúdo

Se você está começando e tem pouca ou nenhuma experiência com sistemas de recomendação, o Kaggle Movie Dataset é um ótimo ponto de partida. Ele traz metadados de 45.000 filmes, incluindo pôsteres, datas de lançamento, gêneros e receitas.

Você pode acompanhar o tutorial Recommender Systems in Python da Datacamp para construir um sistema baseado em conteúdo usando os detalhes dos filmes presentes no dataset.

Se quiser mais direcionamento para criar um recomendador de filmes, inscreva-se em uma sessão ao vivo de code-along na Datacamp. É um workshop guiado por um especialista que vai ensinar você a criar sistemas de recomendação em R em 1h30, e você pode tirar dúvidas com o instrutor durante o processo.

2. sistemas de recomendação por filtragem colaborativa

Modelos de filtragem colaborativa geram sugestões com base no comportamento passado dos usuários. Eles se dividem em filtragem colaborativa baseada em usuário e baseada em item.

Como o nome indica, a filtragem colaborativa baseada em usuário agrupa clientes com comportamento semelhante. 

O algoritmo então recomenda produtos com base nas preferências compartilhadas desses segmentos, como mostra o diagrama abaixo:

Imagem do autor

Já a filtragem colaborativa baseada em item agrupa itens semelhantes com base nas preferências dos usuários, como nesta imagem:

Imagem do autor

Para saber mais sobre os diferentes tipos de sistemas de recomendação e como implementá-los, faça o curso Build Recommendation Engines in Python da Datacamp.

ideia de projeto: filtragem colaborativa

Você pode criar um sistema de recomendação por filtragem colaborativa usando o Book Recommender System Dataset no Kaggle. Esse conjunto de dados tem apenas três variáveis: um ID de usuário, o código ISBN do livro e a avaliação do usuário para cada obra.

Este tutorial de sistemas de recomendação pode ajudar você a começar o projeto se ainda não estiver familiarizado com a filtragem colaborativa.

2. análise de sentimento

Imagem de KDNuggets

A análise de sentimento, também conhecida como opinion mining, é o processo de identificar a emoção por trás de um texto — outra aplicação muito popular de ciência de dados no marketing. 

Aqui vai um exemplo de como a análise de sentimento gera valor de negócio para as organizações:

Um banco na África do Sul estava registrando uma taxa de evasão de clientes acima do normal. Muitos usuários começaram a migrar para concorrentes e não queriam mais fazer negócios com a instituição. O banco decidiu investigar o problema com análise de sentimento.

Eles coletaram mais de 2 milhões de pontos de dados nas redes sociais para analisar o que os clientes estavam dizendo e treinaram um modelo de análise de sentimento com essas informações.

Com base nessa análise, a instituição percebeu que a maioria dos comentários negativos vinha de usuários insatisfeitos com o número insuficiente de caixas no horário de almoço, o que gerava longas filas.

O banco corrigiu a situação ampliando o número de caixas nos horários de pico, o que reduziu a evasão de usuários.

O exemplo acima mostra como a análise de sentimento ajuda empresas a melhorar seus produtos e superar concorrentes. Outros usos incluem análise de produtos, pesquisa de mercado e mineração de avaliações de usuários.

Para aprender mais sobre modelos de análise de sentimento e como construí-los do zero, faça o curso Sentiment Analysis in Python na Datacamp.

ideia de projeto: análise de sentimento

Você pode começar criando um modelo de análise de sentimento de críticas de filmes usando um dataset que já está na biblioteca NLTK. NLTK é um pacote Python com um conjunto amplo de algoritmos para Processamento de Linguagem Natural. 

Nesse projeto, você usa um dataset de resenhas de filmes embutido na biblioteca, que pode ser importado com uma única linha de código. Em seguida, crie um algoritmo que classifique as resenhas como positivas ou negativas.

Acompanhe o tutorial Python Sentiment Analysis da Datacamp se precisar de uma mão para começar.

3. predição de churn de clientes

Imagem de DeepNote

Churn de clientes é quando um usuário deixa de fazer negócios com uma empresa. Por exemplo, se você é assinante da Netflix e decide cancelar a assinatura, você se tornou um cliente churned.

Para as empresas, é mais caro substituir um cliente que saiu do que reter um cliente atual. Por isso, muitas organizações contratam cientistas de dados para identificar usuários com alto risco de churn e agir antes que isso aconteça.

Veja um exemplo de como um modelo de predição de churn ajuda a reter clientes:

Você é cliente de uma operadora de internet e, recentemente, tem enfrentado velocidades baixas. Abriu algumas reclamações e tentou falar com o atendimento, mas o problema continuou. Chegou a ligar e desligar o roteador e reconectar várias vezes.

Por fim, você decidiu migrar para um concorrente porque sua experiência com essa operadora foi ruim.

A equipe de ciência de dados do provedor coleta dados comportamentais, acompanha sua atividade quando você está conectado à rede e registra as reclamações. Depois de consolidar tudo, o time percebe que seu risco de churn é alto.

Eles alertam imediatamente as equipes de marketing e produto de que você provavelmente vai encerrar o relacionamento.

O marketing entra em contato com promoções personalizadas, planos de Wi‑Fi com desconto e até oferece um upgrade gratuito. Depois da atualização, a conexão fica bem mais rápida e sua experiência melhora. Você decide continuar com a operadora em vez de mudar para a concorrência.

Esse exemplo mostra como modelos de churn ajudam a reter a base atual. É uma aplicação que gera valor direto para o negócio e é muito usada por plataformas por assinatura como Netflix e Spotify, que dependem da renovação dos usuários como principal fonte de receita.

ideia de projeto: predição de churn

Use o dataset Telecom Customer Churn da DataCamp para criar seu primeiro projeto de predição de churn. 

Esse conjunto traz informações de usuários de uma operadora iraniana, como idade, comportamento de uso, tempo de assinatura e reclamações. Use esses dados para prever se um cliente tende a churnar.

Se não souber por onde começar, acompanhe o tutorial Customer Churn Rate Prediction para construir o modelo. Você também pode conferir nosso curso Predicting Customer Churn in Python.

4. segmentação de clientes

Imagem de Madlytics

Segmentação de clientes é o processo de dividir usuários em subgrupos com características em comum. Cada segmento recebe promoções e ofertas diferentes com base no seu comportamento.

Veja um exemplo de como a segmentação gera valor de negócio:

Uma empresa de e-commerce cria um modelo de segmentação para direcionar promoções personalizadas a diferentes usuários. 

Se um usuário navega bastante, mas só compra quando há desconto, ele é classificado como “caçador de promoções”. Todos os clientes desse segmento recebem e-mails sempre que há ofertas ativas, pois tendem a comprar mais nesses períodos.

Por outro lado, alguns usuários buscam itens específicos e estão dispostos a comprar independentemente do preço, porque priorizam qualidade. Esses clientes recebem outro tratamento: o time de marketing anuncia apenas itens premium para esse grupo, com base nos produtos em que já demonstraram interesse.

Assim, clientes com maior poder de compra veem produtos mais caros e alinhados aos seus interesses, estimulando um ticket médio maior. Já quem prioriza preço é impactado por itens mais acessíveis durante promoções.

É um exemplo simples, mas mostra como a segmentação ajuda a maximizar a receita por usuário. 

Uma das aplicações mais comuns de segmentação é a criação de grupos de anúncios em campanhas.

O Facebook, por exemplo, coleta dados demográficos e comportamentais e permite que empresas rodem anúncios para públicos personalizados com base nessas informações. É possível segmentar por localização, idade, gênero, marcas que a pessoa curte e conexões, entre outros. 

Geralmente, a segmentação de clientes é feita com modelos de aprendizado de máquina não supervisionados, como o K-Means clustering. 

Se quiser aprender mais sobre segmentação e como construir algoritmos como K-Means, faça nosso curso Customer Segmentation in Python.

ideia de projeto: segmentação de clientes

Você pode usar o E-Commerce Dataset da Datacamp para criar um projeto de segmentação para o portfólio.  

Esse dataset traz detalhes de pedidos feitos em uma plataforma de e-commerce do Reino Unido. 

Há informações como itens comprados, preço e data da fatura. Use esses dados para segmentar usuários com base na atividade deles na plataforma.

5. análise de cesta de mercado

Imagem de Analytics Vidhya

A análise de cesta de mercado, também chamada de associação, é uma técnica para identificar itens que costumam ser comprados juntos. Ela processa dados históricos de compras para descobrir combinações de produtos que aparecem com frequência na mesma transação.

Esses achados ajudam varejistas a melhorar o layout das lojas e incentivar a compra de mais itens em uma única visita.

Por exemplo, quem compra fórmula infantil provavelmente também leva fraldas, então as lojas costumam posicionar esses itens próximos para facilitar o acesso. 

Mas os padrões de compra nem sempre são tão óbvios. Dependendo da região, da cultura e de fatores demográficos, clientes podem comprar juntos itens de categorias diferentes. Muitas dessas correlações não são evidentes a olho nu — por isso as organizações recorrem a técnicas como a análise de cesta.

Veja um exemplo de como essa análise encontra associações que passariam despercebidas:

O caso mais famoso é o de “cerveja e fraldas”. Segundo o estudo, uma rede de supermercados do Meio-Oeste dos EUA usou mineração de dados para descobrir itens comprados juntos com frequência.

A análise mostrou que clientes costumavam comprar cerveja e fraldas nas noites de sexta-feira. A correlação pode parecer coincidência, mas um cenário possível é este:

Um pai jovem passa no mercado numa sexta à noite para comprar cerveja depois de uma semana puxada no trabalho. A esposa sabe disso e pede para ele trazer fraldas para o bebê. Esse comportamento vira hábito, e pais que trabalham começam a levar cerveja e fraldas juntos antes de voltar para casa.

Depois da descoberta, a loja passou a colocar cerveja e fraldas no mesmo corredor e viu as vendas subirem.

A história foi relatada pela primeira vez nos anos 90 e sua veracidade é questionada há tempos. Fato ou não, o caso mostra como a estatística pode revelar correlações ocultas que escapam ao olhar humano.

A análise de cesta não se limita ao varejo físico. Plataformas de e-commerce também exibem produtos altamente correlacionados na mesma página, garantindo que fiquem no campo de visão do usuário. 

Se você procura uma calça jeans preta online, por exemplo, pode ver sapatos combinando no fim da página — um empurrãozinho para comprar um kit em vez de um único item. De novo, isso aumenta diretamente as vendas, já que os clientes acabam levando mais produtos do que planejavam.

Para aprender mais sobre análise de cesta e como aplicá-la com técnicas de machine learning, faça a trilha Market Basket Analysis in Python. Se preferir R, faça o curso Market Basket Analysis in R. 

ideia de projeto: análise de cesta de mercado

Para começar, você pode usar o mesmo E-Commerce Dataset citado na seção de segmentação. Lembre-se de que é uma versão reduzida de um conjunto disponível no UCI Machine Learning Repository e tem apenas 2.500 linhas. Baixe o dataset maior se quiser trabalhar com mais dados.

Como explicado antes, o E-Commerce Dataset traz dados de transações, como números de fatura e produtos comprados. Use essas informações para identificar itens que os clientes costumam levar juntos na mesma compra.

Para implementar o projeto, siga o tutorial Market Basket Analysis in R. Se Python for sua linguagem preferida, temos o curso Market Basket Analysis in Python.

ciência de dados no marketing — próximos passos

por que considerar ser um cientista de dados de marketing?

A ciência de dados tem uma enorme variedade de aplicações no marketing, muitas das quais vimos acima. Esses casos de uso geram valor direto: aumentam vendas, resolvem dores dos clientes e estimulam maior consumo.

No passado, quando as organizações não tinham acesso a grandes volumes de dados, especialistas de marketing executavam boa parte dessas tarefas manualmente. Análise de sentimento e pesquisa de mercado eram feitas com pesquisas. Os anúncios segmentados eram baseados na leitura do comportamento do cliente — um processo mais intuitivo do que orientado por dados.

Hoje, com a explosão do volume de dados coletados e armazenados, as empresas adotaram uma abordagem orientada por dados no marketing. 

No entanto, não basta contratar cientistas de dados para trabalhar em casos de uso de marketing.

Embora consigam lidar com conjuntos de dados complexos, construir modelos preditivos precisos e fazer análises estatísticas, esses profissionais muitas vezes não têm conhecimento de domínio em marketing e podem ter dificuldade para conectar os dados aos problemas de negócio.

Por outro lado, especialistas de marketing entendem o comportamento do cliente, sabem formular problemas e orientar decisões, mas geralmente não têm a bagagem técnica para lidar com grandes volumes de dados.

O cientista de dados com especialização em marketing reúne o melhor dos dois mundos — um perfil valioso para as organizações. Essa pessoa faz a ponte entre ciência de dados e marketing e toma decisões baseadas em dados que trazem lucro para a empresa.

como se tornar um cientista de dados de marketing

Para seguir nessa carreira, você precisa de forte capacidade técnica e analítica, conhecimento de marketing e soft skills:

1. habilidades técnicas

• SQL para extrair, limpar e manipular dados em bancos. Faça o curso Introduction to SQL para aprender o básico de manipulação de bancos de dados.
• Domínio de estatística e conhecimento de técnicas de machine learning supervisionadas e não supervisionadas. Faça o curso Introduction to Statistics para aprender os fundamentos da análise estatística.
• Conhecimento de ao menos uma linguagem de programação (R, Python, Java etc.). Se você não programa, faça a trilha Python Programming da Datacamp ou sua alternativa em R.
• Capacidade de conduzir testes A/B. 
• Habilidade em visualização de dados e criação de dashboards com Tableau, Power BI e Excel.
• Entendimento de como campanhas de mídia são executadas e otimizadas em plataformas como Facebook e Google Display Network.
• Capacidade de realizar desenho de experimentos e modelagem de atribuição.

Lembre-se de que os requisitos variam conforme a organização e o time. Por exemplo, um time focado em recomendações de produtos não vai otimizar anúncios nem trabalhar com atribuição.

Se você ainda não tem domínio de marketing e quer aprender a conduzir testes A/B, visualizar métricas e analisar conversões, faça o curso Introduction to Pandas for Marketing na Datacamp.

2. soft skills

• Excelente comunicação.
• Capacidade de traduzir conceitos técnicos complexos para a alta gestão e apoiar a tomada de decisão.
• Habilidade de formular soluções orientadas por dados para problemas de negócio.

Para ter uma visão mais clara do que as empresas buscam, veja os requisitos da Uber para a função:

Se você ainda não tem experiência prática em ciência de dados para marketing, a melhor forma de mostrar suas habilidades é criar projetos que resolvam problemas reais de negócio. 

Nós listamos projetos relevantes para cada aplicação comentada aqui. Vale muito a pena incluir alguns no seu currículo para mostrar aos recrutadores que você gera valor com técnicas de ciência de dados.

Por fim, se quiser fechar lacunas no seu conhecimento e aprender a aplicar abordagens de ciência de dados ao marketing, faça o curso Machine Learning for Marketing in Python da Datacamp, ou sua versão em R.