Dataísmo

dados ♥ métricas ♥ monitoramento

Category: Conceitos

Pirâmide de Awareness no monitoramento de redes sociais

2015-10-29_awareness1

De acordo com David Aaker, a única forma de alcançar crescimento de vendas no mercado atual é a criação de novos produtos ou serviços para atingir novos públicos ou manter os já conquistados (que estão em constante mudança).

Por outro lado, a competição no mercado geralmente “não move a agulha”, mesmo com orçamentos de marketing agressivos. Então, como as mídias sociais podem aumentar a oferta de criar uma novo target? “Há uma variedade de maneiras, mas o objetivo final deve ser o de criar uma comunidade que pode fornecer não apenas benefícios funcionais, mas também emocionais, sociais, e os benefícios de auto-expressão” (Aaker). Em outras palavras, uma das opções é transformar as mídias sociais em plataforma de conhecimento do consumidor, localizando oportunidades de negócios em comunidades, criando grupos e… monitorando!

Por meio do monitoramento de redes sociais, podemos identificar o panorama da marca, observar quem fala sobre ela, traçar necessidades, pontos positivos e negativos. Isto pode ocorrer com o monitoramento do buzz (o que foi falado) de forma espontânea, sem citar os canais da marca diretamente; de forma direta, com os comentários e replies diretos à marca; ou até por meio do universo que compõe a marca (grupos ou comunidades que fazem parte do recorte desta marca nas redes sociais.

Neste monitoramento, é importante mensurar o awareness, pedido em várias campanhas, especialmente de mídia. O awareness refere-se ao conhecimento ou percepção, está ligado à imagem da marca, e em como ela é percebida pelos clientes/consumidores. Mas… qual público esse awareness impactou? Será que, se fôssemos mensurar isto em dados,  além desse volume todo, poderíamos traçar dados de qualidade e mensurar a importância de quem foi impactado?

 

Conhecendo o cliente e o público
~Refletindo~ antes de usar os conceitos e a Pirâmide de Awareness

Existem muitas questões interessantes que o conceito de awareness pode desmembrar. Estas perguntas nos ajudam a definir o que é a marca, quem é o seu público e qual cultura ela expõe no mercado. Basicamente, ajudam a traçar o contexto da comunicação. Isto é bem útil quando pensamos nas pessoas que conhecem, não conhecem ou amam a marca. E também podemos criar suposições enquanto fazemos o monitoramento de redes sociais. 😉

  • O seu negócio/cliente é sobre o quê?
  • Como acontece a captação e manutenção dos clientes?
  • Que tipo de informação é disponibilizada para os seus clientes e os clientes potenciais?
  • Como a marca diferencia-se dos concorrentes?
  • Quais os pontos mais fortes da marca?
  • Quais os pontos mais fracos da marca?
  • Qual a principal preocupação com a imagem dela?
  • Que tipo de imagem a marca gostaria de ter e qual a imagem que ela tem? (Igual àquele meme de “como me enxergam” versus “como eu me enxergo”, sabe?)
  • Como criar ou manter um bom relacionamento entre clientes, funcionários e fornecedores?
  • Quais são os principais nichos da sua marca? Qual o comportamento dessas pessoas?
  • Quais os principais segmentos externos que impactam na sua marca? Exemplo: política, educação ou cultura.

 

Pirâmide de Awareness
David Aaker, em seu livro Brand Equity, expõe uma pirâmide que nos ajuda a mensurar este awareness todo:

 

2015-10-28_piramide_do_awareness

  • Top of mind: consumidores/clientes que tiveram e ainda têm uma experiência com a marca. Está associada à “realização” e enraizamento da cultura da marca.
    • Necessidades: fomentar e impulsionar as pessoas que fazem parte do topo da pirâmide para mantê-las neste status, oferecendo novidades e traçando o que as move, para nunca perdê-las de vista. Fazem parte dela os advogados (da marca), pessoas que podem, também, ser chamadas de “lovers” e irão defender aquela cultura, muitas vezes até argumentando com quem não está no topo da pirâmide.
    • Palavras-chave: lealdade, experiência.
  • Lembrança da marca: consumidores/clientes que já tiveram contato com a marca, mas não chegaram a desenvolver um relacionamento com ela. Podem ter confiança ou respeito.
    • Necessidade: observar o julgamento e as sensações destes usuários em relação às suas primeiras experiências. Eles estão próximos dos “top of mind”, assim como podem desistir da marca. 🙁
    • Palavras-chave: memória, emoções, oportunidades, desenvolvimento.
  • Reconhecimento da marca: pessoas que sabem qual a marca, já foram impactadas por ela em algum momento, mas não construíram nenhuma experiência com ela.
    • Necessidades: ver quais passos faltam, na jornada do consumidor, para ele que possa “subir” nesta pirâmide.
    • Palavras-chave: inconsciente, imagem, sensação.
  • Desconhecimento da marca: quando a marca é uma “unaware brand” para estes usuários. Nâo iremos achá-las no monitoramento direito ou indireto, mas podemos identificá-las no universo da qual a marca faz parte.
    • Necessidade: reposicionamento. Saber o contexto em que eles estão inseridos: o porquê de ainda não conhecerem a marca. Será que faltou oportunidade? É hora de discussão, investigação e conhecimento das necessidades deste grupo.
    • Palavras-chave: ausência.

 

Exemplificando a pirâmide:

Vamos supor que estamos com uma campanha gerar para awareness para as bonecas Fofoletes. As Fofoletes foram bonecas colecionáveis, pequeninas, fofas, porém levemente assustadoras, que fizeram muito sucesso nos anos 1980 e a sua fama se espalhou pelos anos 1990… Uma campanha para fomentar a compra de Fofoletes teria sido criada, online e offline, e um monitoramento com as palavras FOFOLETE e FOFOLETES está rodando. Se fôssemos aplicar a divisão entre os elementos desta pirâmide, podemos organizá-las em:

  • Top of mind: colecionadoras e colecionadores de Fofoletes;
  • Lembrança da marca: adultos que já compraram e ganharam Fofoletes quando crianças, mas atualmente não são consumidores de Fofoletes;
  • Reconhecimento da marca: jovens acima de 25 anos que sabem o que são as Fofoletes, mas nunca tiveram uma;
  • Desconhecimento da marca: em nossa suposiçao, identificamos que existem menções apenas de homens e mulheres adultos na amostra analisada. Logo, não existem adolescentes falando do produto. Se a amostra for alta e confirmarmos esta suposição, é possível que a maior parte dos jovens das gerações X e Y não saibam da existência das bonecas. Eles só podem vir a conhecer a marca caso a campanha consiga atingí-los.

 

2015-10-29_awareness2


Elementos para construir inteligência de negócios neste awareness todo

Nesta pirâmide, temos oportunidades ou ameaças? Talvez os dois. 🙁

O artigo Strategic Marketing Management: Building a Foundation for Your Future (University of Florida) descreve ambos:

As oportunidades são os fatores externos ou situações que oferecem potencial para se aproximar ou chegar mais rapidamente às metas da empresa. Por exemplo, alterar a preferência dos consumidores por conveniência pode ser uma oportunidade para a sua empresa.

As ameaças são os fatores externos ou situações que possam limitar, restringir ou impedir a empresa na busca de metas. Por exemplo, os novos regulamentos podem elevar o custo de produção, resultando em uma ameaça para a sua rentabilidade.

 

Ao identificar oportunidades e ameaças partir do monitoramento , é possível desenvolver um conhecimento aplicável de negócios. É o momento em que os dados geram insights (sugestões, oportunidades, conclusões), criando oportunidades para a construção de uma estratégia que vai além dos relatórios. Este conhecimento pode tornar-se “knowledge” ou sabedoria de várias formas:

  • Perfilização dos usuários: no monitoramento, é possível identificar gênero, comportamento, localização, linguagem, hábitos. Com a perfilização, temos o cenário traçado para criar campanhas ligadas ao público que conhece a marca (menções diretas ou indiretas) ou desconhece-a (universo analisado);
  • Painel do sentimento dos usuários em relação à marca: a classificação das menções por sentimento (positivas, negativas, neutras), além de utilizar marcadores (tags) dos principais assuntos (reclamações, produtos ou serviços mais falados e bem como o sentimento bom ou ruim de cada um deles) permite identificar quais são as oportunidades e ameaças de quem é top of mind, lembra da marca ou reconhece a marca
  • Benchmarks: um monitoramento mostra a sua marca. Mas monitorar o seu concorrente mostrará se ele possui sentimento/percepção melhor que o seu, se o público é composto de mais “tops of mind”, se o seu público é similar (“deu match) e até se se existe algum produto que ele não fez e você pode fazer, aproveitando este target de mercado;
  • Novas oportunidades de negócios: produtos e serviços pedidos ou reclamados pelas pessoas, por exemplo, que podem ser levados às demais equipes de marketing da empresa.

* * *
Odeia fofoletes? Let me know. dataismo@gmail.com

Potiguar, retirante e dataísta. Marketing Digital com foco em Business Intelligence, estratégia e monitoramento de mídias sociais.

Business Intelligence: ontologia, semântica e análise de dados

* Este artigo é a segunda publicação sobre ontologia e business intelligence aqui no Dataísmo. O primeiro artigo foi “Business Intelligence e ontologia: definições e apontamentos”, e este segundo fala de aplicações, modelo semântico e análise de dados. 😸

 

Aplicações ontológicas em business intelligence
(Ou como os dados podem ser ontológicos)

Em business intelligence, analisar dados consiste em processar o que está acontecendo. Quando falamos em ontologia, falamos em método e em todo o caminho para processar esses dados.

Já utilizada em linguagens de programação, a ontologia considera cada dado como parte ou objeto para a formação de uma estrutura, como se fosse um código criado por meio de indivíduos e classes.

Em business intelligence existem duas formas de lidar com os dados: a informacional e a estrutural. Se, por um lado, a estrutural foca na ferramenta, no modo informacional podemos analisar esses dados extraídos.

Ao ser aplicada para a web, a ontologia passa pelas definições de “semântica” ou “significado”:

semântica

substantivo feminino

  1. ling estudo sincrônico ou diacrônico da significação como parte dos sistemas das línguas naturais.
  2. ling num sistema linguístico, o componente do sentido das palavras e da interpretação das sentenças e dos enunciados.

 

Por significado, entende-se:

significado

substantivo masculino

  1. relação de reconhecimento, de apreço; valor, importância, significação, significância.
  2. m.q. SIGNIFICAÇÃO (‘representação mental’).

 

Depois de minerarmos os dados e começarmos a analisá-los, o próximo passo é a criação de KPIs (Key Performance Indicators, ou indicadores de desempenho).

 

KPIs e o significado dos dados

Para traçarmos os KPIs, podemos começar por perguntas que façam sentido para aquele projeto:

  • Quais métricas podemos analisar, ou o que pode ser medido?
  • Que ações podemos traçar a partir destes dados?
  • Estes dados respondem às minhas perguntas principais?
  • Estes dados são suficientes para a minha análise?
  • Qual a abordagem mais adequada para a minha análise?

O significado ontológico dos dados passa pela identificação do que é mais comum (padrões) e do que está entrando em evidência. Em outras palavras, seria a explicação de dados por meio de contexto e conhecimento:

Os conceitos e relacionamentos unidos são conhecidos como uma ontologia do modelo semântico que descreve conhecimento. Modelos semânticos permitem que os usuários façam perguntas da informação de uma forma natural e ajudar a identificar padrões e tendências desta informação e descobrir as relações entre peças diferentes de informações.

Dr. Mohammed Ahmed Turki AlSudairy na publicação Knowledge on demand approach using Business Intelligence and Ontology

 

Muito ainda precisa ser feito para desenvolvermos ferramentas cada vez mais inteligentes e que apresentem dados mais minerados, mas já é possível, hoje em dia, irmos direto para algumas etapas da análise de dados. É aí que entram a inteligência e os insights mais rápidos, acompanhando a velocidade das informações que produzimos ou observamos.

Potiguar, retirante e dataísta. Marketing Digital com foco em Business Intelligence, estratégia e monitoramento de mídias sociais.

Data Strategy | Data Analysis

* Este artigo é a terceira publicação de uma série de posts sobre dados aqui no dataismo. O primeiro foi sobre Meta Dados e o segundo sobre Data Mining. Acompanhe-nos para ver mais sobre mais assuntos relacionados, como o Data Sharing, nas próximas publicações. 😉

 

Depois de cuidar dos dados, o próximo passo estratégico é a chamada “data analysis”, que consiste, assim como o nome mesmo já diz, na análise dos dados. É por meio dela que vamos gerar informação, conhecimento e, por fim, a sabedoria, também chamada de insights. 

Esses conceitos parecem, à primeira vista, a mesma coisa. E é comum confundirmos. Mas, como diria a música…

“Information is not knowledge (informação não é conhecimento)
Knowledge is not wisdom (conhecimento não é sabedoria)
Wisdom is not truth (sabedoria não é a verdade)
Truth is not beauty (verdade não é beleza)
Beauty is not love (beleza não é amor)
Love is not music (amor não é música)
Music is THE BEST (música é o melhor)”

(Frank Zappa)

 

 Para melhorar um pouco, se formos dividir em etapas, encontramos a chamada Pirâmide do Conhecimento, cujo caminho que mostra como os dados viram informação. A pirâmide é representada pelo DIKW, Data-Information-Knowledge-Wisdow, baseado no modelo cartesiano (criado com base nos princípios do filósofo Descartes), que consiste em uma evolução de [d]ata (dados), [in]formation (informação), [k]nowledge (conhecimento) e [w]isdom (sabedoria). Esse modelo, hoje em dia, é utilizado para várias áreas, que incluem pesquisas em tecnologia da informação até o marketing:

Pirâmide do Conhecimento ou DIKW

Pirâmide do Conhecimento ou DIKW

Dados ➳ elementos

Sinais, símbolos, um aglomerado de números sem significados. É aquilo que foi coletado.

Exemplo: dados brutos em um arquivo de Excel, o formato, a data, a hora, o tempo da coleta.

 

Informação ➳ organização

Informações são os dados estruturados.

Exemplo: um Excel com dados tabulados, divididos por categorias de sentimento, tags do monitoramento e por rede social.

 

Conhecimento ➳ contexto

Surge quando a informação ganha uso e significado, é sintetizado e pode ser aprendido.

Exemplo: gráficos que dividem estas informações de sentimento e as tags por tipo, cor, formato… representam um crescimento ou queda e dividem-se entre barras, gráficos de pizza para mostrar a representatividade do assunto, etc.

 

Sabedoria ➳ insights

São os chamados “dados acionáveis”, integrados, organizados e explicados e, o mais importante, trazem um aprendizado válido para aplicação e são entendidos pelas pessoas que têm acesso a essas informações.

Exemplo: os dados de sentimento e as tags indicam que a marca está melhor do que no mês passado. Porém, quando comparada ao mercado, está abaixo do esperado pelos fornecedores por apresentar menor aprovação que a concorrência e receber menos citações do que o esperado.

 

Para um analista de métricas, business intelligence, monitoramento e afins, o caminho para transformar os dados em informação e, posteriormente criar ações embasadas, é fundamental. Mas isso também vale para profissionais que lidam com estatísticas, como pesquisadores. Para obter algum insight, é necessário ver a sua amostra, o que ela diz. E é interessante ir além, focando não apenas no positivo, mas também na queda e nas alterações ao longo do período. É assim que podemos identificar se algo está bom para o seu padrão (comparando com os próprios resultados) ou está ruim (olhando para fora, seja um outro segmento da pesquisa, um outro assunto ou o mercado).

A análise só produz insights verdadeiros quando possui base, podendo ser argumentada e comprovada. É ao que muitos se referem quando dizem que “números que não mentem”. Na verdade, os números justificam, não é? Mas eles também podem ocultar ou favorecer uma ideia, dependendo do seu objetivo final. Se os resultados não foram tão bons ou a análise não saiu tão boa de primeira, vale a pena ver de novo. E, principalmente, como já disse o Zappa, música é mesmo o que nos resta de melhor. É só tentar entrar no ritmo. 😉
* Continue de olho no dataismo para acompanhar os próximos passos de uma estratégia de dados: Data Sharing. Acompanhe o Twitter e o Facebook para receber novas publicações em primeira mão.

Potiguar, retirante e dataísta. Marketing Digital com foco em Business Intelligence, estratégia e monitoramento de mídias sociais.

Data Strategy | Data Mining

Data Mining ou mineração de dados

* Este artigo é a segunda publicação de uma série sobre conceitos sobre dados aqui no Dataísmo. O primeiro foi sobre Meta Dados. Acompanhe-nos para ver mais sobre mais assuntos relacionados, como Data Analysis e Data Sharing, nas próximas publicações. 😉

 

📊  Parte 2/3 > Data Mining ou “mineração de dados”

Após a primeira parte da coleta e armazenamento dos dados, é o momento de olhar para o que foi coletado e definir o que irá ou não entrar na pesquisa e/ou na apresentação. O processo de obter os dados e “minerá-los” é comumente chamado de Data mining e seu sentido original refere-se à forma de coleta de grandes dados, que passam pela extração, armazenamento, análise e estatística.

 

📊  Análise quantitativa

É durante o processo de Data Mining que ocorre a análise quantitativa. Este processo pode ser dividido em dois tipos. Um é a observação do “discret data”, com pequenas segmentações, cujo resultado é mais especializado;  o outro tipo é “continuous data”, cuja análise é contínua e os dados analisados tornam-se informação acionável.  É o momento de observar cada número, relevar a sua importância e começar, de fato, a analisar.

O Data Mining é fundamental pois atua no processo quantitativo que vai gerar conhecimento, a chamada análise quantitativa: interpretações e novos caminhos a partir de um aglomerado de números.

A partir daí os dados “saem para o mundo”. E é aí que entra a  performance e o planejamento, o monitoramento e a mensuração; o entendimento da organização de grafos (social network analysis); regras e responsabilidades e, ao final, os relatórios de performance.

Por último, e talvez o maior desafio na produção da análise dos dados, está gerar a inteligência, ou o Business Intelligence. Ele é composto dos goals x objetivos.

 

📊  Aplicação de Data Mining ou mineração de dados

Durante a aplicação de Data Mining, nem todos os dados coletados podem ganhar uma utilização, mas ainda assim fazem parte da pesquisa e são relevantes. Sua aplicação imediata não é o fator mais importante para deletar. Considerando que nem sempre os meios de obter as informações são baratos e muito menos rápidos, isso toma ainda mais importância. Durante a análise é comum que queiramos nos livrar de abas do Excel ou algum dado extra. Mas…

“Os dados armazenados são como as roupas em um armário; mesmo que não acessemos em dois anos, ainda não devemos jogá-los fora – e assim vale a pena lembrar durante formulação uma estratégia de dados”. (Mike Schiff)

 

* Continue de olho no dataismo para ver os próximos passos de uma estratégia de dados: Data Analysis e Data Sharing. Acompanhe o Twitter e o Facebook para receber novas publicações em primeira mão. 🙂

Potiguar, retirante e dataísta. Marketing Digital com foco em Business Intelligence, estratégia e monitoramento de mídias sociais.

© 2017 Dataísmo

Theme by Anders NorenUp ↑