Antecipar comportamentos em tempos de crise

Por Luis Graça, business development manager do SAS

A recente crise de saúde pública e consequente confinamento provocaram alterações brutais no consumo porque os consumidores mudaram comportamentos e prioridades, e na oferta porque as organizações fecharam canais de vendas, reduziram número de colaboradores e sofreram alterações significativas nas cadeias de abastecimento.

Sendo que nem sempre é possível antecipar crises, é possível antecipar comportamentos e alterações de variáveis (procura, vendas, etc.) à nossa volta. Várias consultoras de negócio referem que as empresas mais bem-sucedidas no mercado são aquelas que dominam tecnologias e processos que assentam na evidência matemática e estatística. A utilização de plataformas analíticas como SAS, o desenvolvimento de modelos analíticos avançados e inteligência artificial, para previsão de comportamentos e análise massiva de cenários alternativos, ajudam as empresas a prepararem-se antecipadamente para fazer frente a cenários críticos.

Assim, este processo de “adivinhação com base cientifica” (forecasting) começa invariavelmente por reunir dados relativos aos clientes (o que compram, quando, onde, porquê) bem como múltiplas outras variáveis ambientais, por exemplo no número de infetados com COVID-19 e respetiva previsão de evolução. Esta informação serve para prever “comportamentos futuros” por via de técnicas de forecasting que em alguns casos podem ser dificultadas por ausência de histórico ou revolução de comportamentos. A presente crise é um exemplo deste caos, mas o setor do vestuário sofre crises destas anualmente, em todas as coleções que lançam e produzem disrupções ao histórico existente. Para estes casos, aplicam-se técnicas de near-term forecasting que permitem trabalhar com menos dados históricos e olhar para os dados que são comuns entre coleções, nomeadamente preferências por cor, tipo de vestuário, curvas de vendas, etc. Estes modelos podem ser menos precisos, mas mesmo assim permitem antecipar comportamentos e auxiliar o processo de decisão (aumento ou redução de produção de 1 gama). Outro exemplo, consiste em analisar mercados cujo desconfinamento esteja mais avançado, e identificando produtos/serviços/comportamentos semelhantes entre mercados, seja possível antecipar comportamentos desses pontos comuns em mercados cujas medidas de desconfinamento estejam mais atrasadas.

Estes processos e técnicas exigem agilidade das organizações na recolha de evidencia, mas também no processamento e análise dos dados, bem como na automatização da tomada de decisão subsequente, de forma a dar espaço aos decisores para olharem para os resultados em vez de para os infindáveis e inúmeros reports que inundam muitas organizações. Se há alguns anos atrás, estas técnicas exigiam profissionais altamente especializados com doutoramentos em estatística e datacenters complexos, hoje é possível encontrar ferramentas self-service, que automaticamente antecipam resultados e podem ser utilizados por qualquer profissional com competências básicas de tecnologias de informação. Por outro lado, a utilização de tecnologias de cloud permitem consolidar Peta Bytes de informação e calcular milhões de cenários para identificar o cenário ótimo para a organização, sem que tenha de investir fortunas nessas infraestruturas.

Para terminar, o tema não é tanto “adivinhar” o futuro com base na história, mas antes recolher evidencia do passado e presente, para sustentar decisões informadas que permitam moldar o nosso futuro.

Para mais informação sobre esta temática, sugiro a consulta do blog de Charlie Chase, que além de possuir extensa experiência neste campo, também editou vários livros e publicações sobre esta temática (https://blogs.sas.com/content/author/charliechase/)