BIG DATA: Estrategias de marketing

A International Data Corporation (IDC), empresa de consultoria em TI e inteligência de mercado, declara: As tecnologias de Big Data descrevem uma nova geração de tecnologias e arquiteturas projetadas para extrair economicamente o valor de volumes muito grandes e de uma grande variedade de dados, permitindo alta velocidade de captura, descoberta e/ou análise (IDC, 2011?). Extrair, tratar, analisar e utilizar estrategicamente esse grande volume de dados é o desafio de muitos gestores e a proposta do Big Data, Demirkan e Delen( 2012) à esse respeito, mencionam que o desafio em gerenciar esse grande volume de dados cresce cada vez mais devido ao armazenamento hoje ser mais barato e também à evolução desse dados digitais, bem como dos dispositivos que coletam as informações como celulares, laptops, etc. A IBM (2014), uma das maiores empresas de tecnologia do mundo destaca o grande volume de dados existentes atualmente e suas principais fontes: Todos os dias, nós criamos 2,5 quintilhões de bytes de dados - tanto que 90% dos dados no mundo atual foram criados nos últimos dois anos.

Estes dados vêm de toda parte: sensores usados para recolher informação sobre o clima, as mensagens para sites de rede social, fotos digitais e vídeos, registros de compra de transação, e os sinais de telefone celular GPS para citar alguns; Essas informações é Big Data (IBM, 2014). Complementarmente ao assunto volume de dados e seus extremos de criação no decorrer do tempo, Ohlhorts (2012) contribui com a linha de pensamento ao mencionar a importância de compreender que o conceito de volume é relativo ao tempo, que por sua vez, é variável, ou seja, um grande volume hoje, pode deixar de ser amanhã. Tal dimensão é conceituada por Preimesberger (2011) de forma mais técnica, contabilizando-a em "terabytes, pentabytes e, eventualmente, exabytes" exaltando ainda, os desafios e dificuldades de armazenagem, proteção e acessibilidade desses dados.

Ao passo que grandes conjuntos de dados são publicados rotineira e crescentemente, torna-se um desafio gerar e armazenar todo esse volume de dados, necessitando portanto, de ferramentas específicas para este fim (Tankard 2012). Nielsen (2009) converge e complementa essa linha de pensamento ao referenciar os desafios técnicos e sociais da aplicabilidade do Big Data em razão das variáveis envolvidas, como: volume e acessibilidade das informações, bem como as possíveis mudanças de comportamento em razão do volume. Variedade Callebaut (2012) aponta para a crescente complexidade inerente do Big Data em razão da extensa quantidade originárias das fontes, bem como tipos variados de informações gerados. O autor cita ainda, como exemplo, os hábitos sociais. Valor Weber et al (2009), ainda ao se referir sobre qualidade dos dados, enfatizam a dependência que a qualidade da informação efetivamente percebida pelos usuários, tem em relação às suas necessidades.

De forma complementar, Pipino at al (2002) consideram a credibilidade das informações um elemento de que agrega valor à organização e à percepção do usuário. Os autores ressaltam, ainda, o quanto o uso de dados de qualidade e confiáveis, bem como a forma como esses dados são apresentados podem beneficiar uma organização, proporcionando-lhe valor e vantagem competitiva. Nesse sentido, Taurion (2012) é enfático ao afirmar que "Big Data só faz sentido se o valor da análise dos dados compensar o custo de sua coleta, armazenamento e processamento". Maniyka et al (2011) destacam a experiência e confiança como elementos fundamentais para que se extraia valor na análise dos dados do Big Data. Vê-se, portanto, a importância do Big Data como ferramenta auxiliadora nos processos de tomada de decisões gerenciais, abrangendo decisões estratégicas das diversas áreas de uma organização, especialmente, a ser tratada no presente estudo, as decisões estratégicas de marketing, um departamento que pode ser beneficiado de forma relevante com os dados e informações provenientes do Big Data a fim de serem utilizados para análises e estratégias de marketing melhor fundamentadas.

Estrutura de Dados Para elucidar os diversos tipos de dados existentes, Tabuena (2012) aborda o conceito de dados estruturado e não estruturados, que segundo o autor: • Dados Estruturados: Usados com frequência em sistemas de organizações empresariais, como banco de dados e arquivos sequenciais; • Dados Não Estruturados: Conteúdos digitais de mídias e fontes diversas, como imagens, vídeos, áudios, emails, etc; • Dados Semi-Estruturados: Esses dados são mais difíceis de manipular devido sua característica oscilante, ou seja, são dispostos sem um padrão único definido, o que dificulta sua extração e análise. De forma geral, os dados estruturados e os não-estruturados são os mais comumente trabalhados pelas organizações que implementam projetos de Big Data, dado sua maior capacidade de organização e interpretação devido seus respectivos padrões existentes.

Estes serão os dois tipos abordados no presente trabalho. Dados Estruturados O dado estruturado pode ser facilmente reconhecido pelos bancos (base de dados) e, em razão disso, facilita seu processamento e análise. em Dubai nesse ano (2014) contextualizada no Nexus das Forças, que é a convergência das quatro forças poderosas: social, móvel, nuvem e informação (NOGUEIRA, 2016?). Desafios de Implantação De acordo com as perspectivas apresentadas, a adoção do Big Data em prol do marketing mostrou potencial de atendimento das mais diversificadas demandas no que tange a melhoria nos processos de tomada de decisões eficientes, colaboração e compartilhamento de informações entre setores da empresa e otimização de custos. Em contrapartida, alguns autores citam desafios e dificuldades quanto à sua implementação, trazendo contudo, algumas recomendações de possíveis soluções previamente praticadas em diferentes segmentos de empresas.

Chen e Zhang (2014) chamam a atenção para o fato de que com a adoção do Big Data, obtêm-se acesso à um grande volume de dados que possibilita a descoberta de informações úteis para o negócio que sem o Big Data não seriam alcançadas. No entanto, por outro lado, surgem inúmeros desafios no que se refere a ter de lidar com essa elevada quantidade de dados. Diversos autores mencionam, ainda, importantes desafios relativos a recursos humanos, no que tange capacitação, treinamento e desempenho e cujos profissionais habilitados para a função não são facilmente encontrados no mercado. O Big Data requer desses profissionais um conjunto de conhecimentos que forneçam máxima eficiência para atender ao propósito de obtenção de conhecimento relevante baseado nos dados a serem extraídos, tratados e analisados.

Bartels et al, 2011; Mavandadi et al. Klingström et al. Há também desafios e dificuldades inerentes à operacionalização do Big Data, como inconsistências, dados incompletos em razão de origens diversas, dados desestruturados ou ausência de normalização dos dados, este último é comum em data warehouse1 convencionais que, em geral, cujos acesso e análise dos dados ou conjunto de dados é restrito. Quadro 2: Síntese dos principais aspectos e desafios do Big Data Fonte: elaborado pelo autor com base em pesquisa citada 2. BIG DATA E O MARKETING As oportunidades para o uso do Big Data na área de negócios e marketing são amplas e difundidas por diversos autores. Davenport et al (2014) listaram, como forma de exemplificação, algumas empresas de diferentes segmentos que usam dados para suas estratégias de negócios e marketing, já há diversos anos: • Empresas digitais; • Empresas de bens de consumo; • Seguradoras; • Empresas de turismo e/ou transporte; • Administradoras de cartões de crédito.

Ainda segundo Davenport et al (2014), outros segmentos possuem elevado potencial para utilização do Big Data, como organizações bancárias, empresas de telecomunicações, entretenimento e mídia, empresas que prestam serviços públicos e relacionados à saúde, segmento B2B2 e varejistas em geral. Rust e Huang (2014) demonstram as implicações do Big Data no marketing em sua afirmação de que com o grande volume de dados dos consumidores, os serviços em geral tendem a tornarem-se mais personalizados e, consequentemente, melhores. • Agilidade no tempo de decisão (HUANG & VAN MIEGHEM, 2014). Uma pesquisa realizada pela empresa Dunnhumby (2016), consultoria dedicada à ciência do consumidor, demonstra que 88% dos brasileiros aceitam compartilhar suas informações pessoais e de consumo com as empresas se o benefício em descontos ou ofertas exclusivas lhes parecer conveniente ou ainda a obtenção de pontos em programas de fidelidade.

Para Quetz (2017), essa disposição dos usuários em compartilharem seus dados, aliado aos inúmeros dispositivos, aplicativos e aplicações diversas abundantemente presentes no cotidiano das pessoas e, ainda, somados à tecnologia Big Data, cria-se um cenário bastante propício e promissor para a área de Marketing. Isso gera uma excelente oportunidade para que o setor de Marketing de qualquer empresa conheça seu público-alvo com profundidade. Afinal, além dessa facilidade de coleta, as informações públicas presentes na navegação do próprio website, redes sociais, aplicativos e todo tipo de dispositivo são insumos incontáveis (QUETZ, 2017). Esta necessidade de recursos humanos capacitados para tecnologias digitais mostra-se muito importante e foi confirma numa pesquisa realizada pela Russel Reynolds Associates, em que revela que 48% das 30 maiores empresas varejistas dos Estados Unidos demitiram ou substituíram seus CMOs3 nos últimos 12 meses em razão da ausência de qualificação em conhecimento digital.

Russel Reynolds Associates, 2016) 2. Planejamento Estratégico de Marketing com uso do Big Data Kotler e Keller (2010, p. apontam que "O marketing envolve a identificação e a satisfação das necessidades humanas e sociais. Para defini-lo de uma maneira bem simples, podemos dizer que ele supre as necessidades lucrativamente". Nesse sentido, ações de marketing digital com o auxílio do Big Data torna-se uma estratégia plausível e facilitadora no que tange a obtenção de dados e informações pertinentes ao planejamento de marketing, visto que a publicidade na internet tem sido praticada de maneiras mais pessoais e personalizadas e para que esta personalização seja possível, conhecer os interesses e hábitos do consumidor, como estilo de vida, trabalho e hobbies é a etapa inicial da desta ação.

Redes Sociais As mídias sociais podem ser definidas como websites da internet que possibilitam a criação e compartilhamento de conteúdos diversos entre as pessoas, oferecendo aos seus usuários as posições conjuntas de produtores e consumidores de toda a informação gerada. Essas mídias são ambientes virtuais livres e abertos à interação e colaboração de todos, pessoas e/ou empresas (SANTOS, 2010). Os mesmos autores mencionam, ainda, que o acesso à essas redes sociais tem sido crescente nos últimos anos, em especial sites como Facebook, Instagram e Twitter, e as empresas, por sua vez, perceberam a necessidade de adequação de suas ações de marketing ao cenário atual, bem como envolver-se mais ativamente nesse contexto em que se encontram os consumidores. Nesse contexto, a utilização do marketing digital direcionado às mídias sociais mostra-se uma estratégia de negócio capaz de proporcionar, em seu processo, um relevante aprendizado e interação contínuos entre o mercado e seus clientes, facilitando sua comunicação e relacionamento Okada e Souza (2011).

Ao mesmo tempo em que torna-se, para as empresas, uma poderosa ferramenta de alcance de potenciais consumidores, bem como instrumento para análise de mercado, a livre e massiva publicação de percepções e opiniões sobre um determinado produto, serviço ou marca pode gerar crises de marca, se esses feedbacks forem negativos. Levando então, nesse contexto de marketing digital, à importância de estratégias de gerenciamento de crises de marca, assunto abordado no tópico a seguir do presente trabalho. Gerenciando Crises de Marca Diante do cenário em que as marcas tornam-se mais sensíveis às manifestações de opinião dos usuários que geram conteúdo na internet e, ainda, que esses conteúdos vêm do Big Data, ou seja, têm grande volume, são provenientes de diversificadas fontes e possuem diferentes formatos (texto, foto, vídeo, etc.

crescem as crises de marca, bem como a necessidade de elaboração de estratégias para gerenciá-las. Este tópico é dedicado a apresentar estratégias preventivas e corretivas para este fim e que possibilitem sua rápida identificação fundamentadas no estudo de Salvador e Ikeda (2015) intitulado O uso de Big Data para gestão de crise de marca. As marcas como ativo podem pertencer às empresas, mas a criação do brand equity depende de todos os públicos de interesse. Os gestores de marca podem agir como os principais influenciadores para a promoção do brand equity, mas, para que sejam ouvidos, precisam ser aceitos pelos públicos de interesse. Isso fica ainda mais evidente na gestão de crises de marca (SALVADOR & IKEDA, 2015). Salvador e Ikeda (2015) finalizam as recomendações para gerenciamento de crises de marca frisando a real necessidade de consolidação dos aprendizados e conhecimentos, e da revisão dos processos envolvidos, pois esta ação minimiza as chances de ocorrências de crises futuras que tenham as mesmas causas.

FERRAMENTAS DO BIG DATA A IBM (2014) recomenda as cinco melhores formas de começar a explorar o Big Data, são elas: • Como o Big Data pode ajudar os negócios da organização? É preciso que os gestores encontrem, visualizem e entendam como Big Data pode melhorar seus processos de tomada de decisão gerencial; • Ter uma visão avançada e 360 graus do cliente, no intuito de expandir as visões já existentes e ao mesmo tempo incorporar informações internas e externas; • Estender a inteligência de segurança a fim de reduzir riscos, detectar fraudes e monitorar a segurança cibernética em tempo real; • Realizar uma análise completa da operação, englobando a análise de uma série de dados previamente gerados para melhorar eficiência operacional e resultados do negócio; • Modernização do Data Warehouse1, integrando as capacidades de armazenamento tradicionais aos grandes dados do Big Data a fim de adquirir novas percepções de negócios durante o processo de otimização da infraestrutura pré-existente.

O Hadoop é mantido pela empresa Apache Foundation e conta com a colaboração de várias outras empresas, como Facebook, Yahoo, IBM e Google (ZIKOPOULOS & EATON, 2012; Arena Maker, 201-?). Os motivos, ainda segundo artigo publicado no site Arena Maker [201-?], que fazem do Hadoop, hoje, a principal solução para Big Data são: • É Open source, o que significa que pode ser modificado, melhorado e customizado de acordo com as necessidades dos usuários que contam com uma rede de colaboração de desenvolvedores; • Vantagem econômica, pois suporta hardware tradicional, não havendo, portanto, a necessidade de maiores investimentos em infraestrutura além de não haver necessidade e licenciamento; • Possui por padrão, recursos de tolerância a falhas; • É facilmente escalável, em caso de necessidade de processamento adicional, basta acrescentar computadores, sem necessidade de configurações complexas no sistema; • Pode ser utilizado conjuntamente a outros bancos NoSQL.

Ferramentas para Análise de Sentimento A análise de sentimento é um mecanismo de captura da informação por meio de rotinas a partir do local desejado. Cria-se as polaridades positiva e negativa e, ainda o elemento neutro, ou seja, cujo conteúdo não é detectado como algo positivo/favorável nem negativo/desfavorável, concentrando portanto, a análise nas informações que resultem em sentimentos positivos ou negativos (LIU, 2012). Liu (2012) afirmam que as opiniões na internet acabam por influenciar comportamentos, pois da mesma forma que empresas desejam buscar o ponto de vista dos consumidores de seus produtos ou serviços, igualmente os clientes buscam referências antes da decisão de compra. Diante de um grande volume de dados variados, que são distribuídos de forma rápida, é necessário que a empresa assegure a veracidade e o valor dos mesmos.

A partir de um sistema de integração de dados, é possível organizá-los, categorizá-los e filtrá-los para assegurar a consistência da informação (IDC, 2011?). Big Data é o conjunto de dados armazenados nos bancos, já o Big Data Analytics trata-se de trabalhar esses dados transformando-os em informações úteis para o negócio acerca de tendências de mercado, comportamento, preferências e expectativas de consumidores, dentre outros indicadores. Ou seja, Big Data Analytics é o trabalho analítico e inteligente de grandes volumes de dados, estruturados ou não-estruturados, que são coletados, armazenados e interpretados por softwares de altíssimo desempenho; Trata-se do cruzamento de uma infinidade de dados do ambiente interno e externo, gerando uma espécie de “bússola gerencial” para tomadores de decisão (Rock Content, 2016).

Nesse sentido, é possível dizer que o fator motivador para o crescimento do conceito de Big Data é o potencial de ganhos e vantagem competitiva que pode-se obter com a análise desses dados. Os quatro principais pontos a serem observados são (Rock Content, 2016): 1. Geração de autoridade e credibilidade; 2. Crescimento do tráfego e engajamento; 3. Construção de conteúdo interativo e original; 4. Análise de métricas e indicadores. com/products/o-que-e-big-data-artigo-completo/ BARTELS, K. BARBEITO, A. MACKENSEN, G. B. The anesthesia team of the future. L. The potential and perils of preprocessing: Building new foundations. Bernoulli , 19(4), 1176–1211. CALLEBAUT, W. Scientific perpectivism: A philosopher of science's response to the challenge of big data biology. v. nº 2 de 2006). Varejo Virtual: Estratégia de Expansão ou Ampliação de Canal? Acesso em 08 de abr de 2018, disponível em http://legacy.

unifacef. com. Data-intensive applications, challenges, techniques and technologies: A survey on Big Data. CHEN, H. CHIANG, R. H. STOREY, V. unifran. br CIO. XVI Congreso de Ingeniería de Organización. Ingeniería de Organización: superando la crisis (Industrial Engineering: overcoming the crisis). PonteVedra. How "big data" is different. MIT Sloan Management , Review, 54(1). DEMIRKAN, H. DELEN, D. Leveraging the capabilities of service - oriented decision support systems: Putting analytics and big data in cloud. Acesso em 02 de abr de 2018, disponível em Forbes: http://www. forbes. com/sites/christopherfrank/2012/03/25/improving-decision-making-in-the-worlof-big-data/ FREITAS, C. Sobre a construção de um léxico da afetividade para o processamento computacional do português. Rev. Revista Brasileira de Estatística. Gartner. IT Glossary. Acesso em 02 de abr de 2018, disponível em http://www. gartner. Big Data in 2020: Informed consent, big data, and the oxymoron of research that is not research.

The American Journal of Bioethics , v. p. KLINGSTROM, T. SOLDATOVA, L. São Paulo: Prentice Hall. LIU, B. Sentiment Analysis and Opinion Mining. Acesso em 08 de abr de 2018, disponível em https://www. cs. Universidade Nove de Julho. Acesso em 08 de abr de 2018, disponível em http://www. convibra. com. br/2009/artigos/86_0. al, e. Crowd-sourced BioGames: managing the big data problem for nextgeneration lab-on-a-chip platforms. Lab on a chip , 12(20), 4102–4106. MCAFEE, A. BRYNJOLFSSON, E. Acesso em 04 de abr de 2018, disponível em http://www. techoje. com. br/site/techoje/categoria/impressao_artigo/2203 OHLHORST, J. F. Acesso em 08 de abr de 2018, disponível em Revista Brasileira de Marketing: www. spell. org. br/documentos/download/5413 PHELAN, M. The Death of Bib Data. Big ideas about big data. eWeek. QUETZ, H. BIG DATA PARA O SETOR DE MARKETING.

Acesso em 05 de abr de 2018, disponível em http://www. br/pesquisa-revela-porque-cmos-estao-sendo-demitidos-em-massa/ RUST, R. T. HUANG, M. H. The service revolution and the transformation of marketing science. Paripiranga. Acesso em 08 de abr de 2018, disponível em http://www. cidademarketing. com. br/2009/sysfotos/tesesmono/tesem_248900b06c36e5ef836fb1e6ed197bd68e. AHUMADA, L. GALVEZ, J. REHMAN, M. A review of analytics and clinical informatics in health care. Journal of medical systems , 38(4), 1–7. Network security. TAURION, C. C. Você realmente sabo o que é Big Data? Acesso em 02 de abr de 2018, disponível em ibm. com: https://www. Issue 1, Article 4. WIGAN, M. R. CLARKE, R. Big data’s big unintended consequences. New York: Mc Graw Hill.