pontifícia universidade católica de ... - sapientia.pucsp.br lima... · através de um estudo de...
TRANSCRIPT
1
Pontifícia Universidade Católica de São Paulo
MARIANA LIMA PRATES
Uso do Big Data na Construção de Valor no Varejo: Estudo de Caso do Walmart
SÃO PAULO - SP 2016
MARIANA LIMA PRATES
Uso do Big Data na Construção de Valor no Varejo: Estudo de Caso do Walmart
Dissertação apresentada à Banca Examinadora da Pontifícia Universidade Católica de São Paulo, como exigência para a obtenção do título de Mestre em Administração de Empresas sob orientação do Professor Doutor Alexandre Luzzi Las Casas.
SÃO PAULO - SP 2016
3
Nome: PRATES, Mariana Lima Título: Uso do Big Data na Construção de Valor no Varejo: Estudo de Caso do Walmart
Dissertação apresentada à Banca Examinadora da Pontifícia Universidade Católica de São Paulo, como exigência para a obtenção do título de Mestre em Administração de Empresas sob orientação do Professor Doutor Alexandre Luzzi Las Casas.
Aprovado em: Banca Examinadora: ____________________________________________________________
____________________________________________________________
____________________________________________________________
4
AGRADECIMENTOS
Agradeço à CAPES pela ajuda financeira, à PUC e em especial à Rita pelo suporte.
Um agradecimento especial ao meu orientador Prof. Dr. Alexandre Luzzi Las Casas
pela ajuda, orientação e paciência.
Agradeço ao meu marido Nilson, meus pais Rubens e Márcia, minhas irmãs Ana
Carolina e Juliana pelo apoio e compreensão nesses anos de muito estudo e
ausência.
O obrigado mais importante é para meu filho Antonio que assistiu muitas aulas ainda
na minha barriga e por se comportar muito bem para a mamãe concluir os estudos.
Te amo, meu filho! Tudo isso é para você e nosso futuro.
5
Aos meus meninos, Nilson e Antonio.
6
RESUMO
Mudanças no acesso à informação conduziram o consumidor a um novo patamar; os
consumidores hoje em dia estão mais acessíveis para recebimento, busca e difusão
de informação a qualquer hora ou lugar. Os varejistas inovadores aceitam esta
condição e passaram a interagir com seus clientes no ambiente em que estes se
encontram. Estas interações geram, ininterruptamente, uma massa de dados
infinitos conhecido como Big Data.
Este trabalho é uma análise das atividades exercidas no varejo mundial em prol de
verificar como o uso do Big Data pode contribuir na construção de valor ao cliente,
com foco no varejista americano Walmart.
Através de um estudo de caso, foi possível identificar como o posicionamento
inovador e focado em tecnologia na análise de informações trouxe benefícios à
companhia, criando valor ao cliente e superando suas expectativas.
Dentre os resultados encontrados na operação americana está o crescimento no
número de compras realizadas na loja online com opção de retirada em loja física e
no número de clientes que optam pelo uso de geolocalização com intuito de agilizar
o processo de compra e, no Brasil, redução no número de reclamações, aumento de
interações com os clientes nas redes sociais e aumento nas vendas da loja online.
Palavras-chave: Big Data, construção de valor ao cliente, varejo, Walmart,
mineração de dados, base de dados, varejo supermercadista
7
ABSTRACT
Several changes in access to information have led the consumer to a new level;
consumers today are more accessible to receive, search and disseminate
information at anytime and anywhere. Innovative retailers had accepted this condition
and started interacting with their customers in their environment. These interactions
generate, uninterruptedly, an infinite mass of data known as Big Data.
This study is an analysis of the worldwide retail activities in order to verify how the
use of Big Data can contribute to the construction of customer value, focused on the
American retailer Walmart.
Through a case study, it was possible to identify how innovative and technology-
focused positioning in information analysis has brought benefits to the company,
creating customer value and exceeding its expectations.
Among the results found in the US operation there are the growth of purchases made
online with the option to pick up in a physical store and in the number of customers
that choose the use of geolocation in order to speed up the purchase process and, in
Brazil there are reduction in the number of complaints, growth of interactions with
customers in social networks and increased sales online.
Keywords: Big Data, Building Customer Value, Retail, Walmart, Data Mining,
Database, Retail Supermarket
8
LISTA DE FIGURAS
1. Características do Big Data
2. Trabalho duro versus trabalho dinâmico
3. Barreiras ao uso do Big Data pelos varejistas
4. Recomendações Amazon.com em 28 out 2016
5. Recomendações Amazon.com em 28 out 2016
6. Alerta enviado pela PlaceCast a um cliente cadastrado
7. Fragmento de mensagem eletrônica da Casas Bahia
8. Três combinações de uso de dispositivos diversos por dia
9. Compra por impulso versus compra planejada
10. As vinte melhores marcas de varejo na América do Norte
11. Inovações @WalmartLabs
12. Brinquedo buscado em Walmart.com
13. Busca da palavra ‘jedi’ no estoque da loja North Bergen
14. Cupons de desconto disponíveis para resgate e uso na loja North Bergen em
16 set 2016
15. Promoções exclusivas para compra online e retirando na loja North Bergen
16. Notícias e eventos da loja North Bergen
17. Inclusão do brinquedo Stars Legendary Jedi Masters Yoda na lista de desejos
‘Mariana’
18. Compartilhamento da lista de desejos no Facebook em 16 set 2016
19. Produtos mais buscados da última hora em Walmart.com.br em 16 set 2016
20. Produtos mais vendidos da última hora em Walmart.com.br em 12 nov 2016
21. Últimos produtos vistos em Walmart.com.br em 12 nov 2016
22. Lista de desejos Walmart.com.br
23. Beacon
9
LISTA DE QUADROS
1. Protocolo do estudo de caso
2. Guia da entrevista
3. Atributos dos cientistas de dados
4. Alavancas para o varejo a partir do Big Data
5. Linha do tempo do Walmart
6. Fontes de informação dos clientes
7. Destaques do atendimento ao cliente Walmart Brasil em 2015
10
SUMÁRIO
RESUMO ...................................................................................................................06 ABSTRACT .............................................................................................................. 07 INTRODUÇÃO ..........................................................................................................11 Objetivo geral .................................................................................................16 Objetivos específicos ......................................................................................16 Justificativa .....................................................................................................17 Metodologia de pesquisa ................................................................................19 CAPÍTULO 1. Os desafios que o Big Data trouxe às empresas ...............................23
1.1. Novos desafios à gestão de pessoas: o novo profissional .......................29 1.2. A cultura organizacional ...........................................................................32 1.3. Ética e privacidade ...................................................................................33 1.4. O relacionamento com o cliente ...............................................................35 1.5. O uso do Big Data no varejo ....................................................................37
CAPÍTULO 2. Geração de valor ao cliente no varejo ................................................39 2.1. Valor no varejo ........................................................................................42 2.2. Geração de valor ao cliente de varejo .....................................................43 2.2.1. Big Data na construção de valor ................................................44 2.3. Big Data no varejo ...................................................................................48 2.3.1. Recomendação pessoal de produtos e cross-sell .....................49 2.3.2. Geolocalização ..........................................................................50 2.3.3. Ofertas para compras não finalizadas .......................................51 2.3.4. Análise de sentimento ...............................................................52 2.3.5. Atendimento ao cliente multicanal .............................................53 CAPÍTULO 3. Estudo de Caso: Walmart ..................................................................54
3.1. A história do Walmart ..............................................................................56 3.2. Investimentos ..........................................................................................58 3.3. O uso do Big Data no relacionamento com o cliente ..............................59
3.3.1. Omnichannel, Mobile: Alavancando lojas e Mapa das lojas ......61 3.3.2. Baby registry ..............................................................................65 3.3.3. Mobile Check-in .........................................................................67 3.3.4. Design responsivo .....................................................................68 3.4. Coleta de informações e Política de Privacidade ....................................68 3.5. Walmart no Brasil ....................................................................................69 3.5.1. Estratégia do negócio ................................................................70 3.5.2. Atendimento ao cliente ..............................................................71 3.5.3. Walmart.com.br .........................................................................72
3.6. Análise dos resultados ............................................................................75 CONSIDERAÇÕES FINAIS ......................................................................................81 REFERÊNCIAS BIBLIOGRÁFICAS ..........................................................................84
11
INTRODUÇÃO
O mundo dos negócios vive em constante mutação e isso não é novidade.
Companhias que resistem aos desafios impostos pelos clientes, fornecedores,
concorrentes e demais indústrias tendem a se render às próprias limitações e se
extinguir. Nogueira (2007), ao afirmar que as grandes empresas consideradas
modernas tem um papel ativo nos mercados, enxerga a inovação como o primeiro
passo para a sobrevivência, e as mudanças podem ser resumidas em processos
que provam que a sociedade se organiza em rede. O contexto de hoje é o da
migração da cultura em massa para uma cultura chamada diversa, onde há um
número infinito de opções em todos os âmbitos da vida moderna (GUIDOLIN;
COSTA; NUNES, 2009).
Empresas inovadoras são aquelas que solucionam problemas de formas diferentes
das realizadas anteriormente, envolvendo os processos, produtos, serviços, gestão
e estrutura organizacional, seguindo, em geral, um conjunto de etapas como:
literatura do contexto, definição dos desafios, levantamento de novas ideias,
experimentação, decisão, planejamento, implantação e avaliação (NOGUEIRA,
2007).
Masson et al. (2014) corroboram a análise de Nogueira (2007) ao afirmarem que
inovação pode ser classificada de quatro formas, sendo elas inovação de produto,
de processo, de marketing e organizacional, e que o conhecimento do cliente
também pode ser classificado de quatro formas: conhecimento para o cliente, sobre
o cliente, do cliente e retido pelo cliente, provando que a inovação está diretamente
ligada às necessidades do cliente, já que o conhecimento dele demanda, em
especial, desenvolvimento de novos produtos.
O poder do cliente é o centro de discussões em todas as indústrias e também na
área acadêmica. Publicações acadêmicas nacionais e internacionais falam sobre o
poder do cliente e como a relação das marcas com seus clientes mudou com a
revolução digital: marcas como Dell, M&M’s, Fiat, Lego, Coca-Cola e Oreo criam
campanhas online que buscam crowdsourcing, oferecendo oportunidades de co-
12
criação a seus clientes e transferem a eles o poder de escolha que anteriormente
era interno, através de pesquisas, e, dessa forma, aceitam a nova condição imposta
pelos novos consumidores, que não querem mais ser apenas meros receptores de
comunicação de marketing (ACAR e PUNTONI, 2016; FUCHS; PRANDELLI;
SCHREIER, 2010). Salvador, Akemi e Crescitelli (2015) investigaram as
manifestações dos consumidores em uma campanha de recall a partir do
monitoramento de redes sociais e as indicaram como multiplicadores de informação
e viralização, mostrando, mais uma vez, que os clientes passaram de receptores a
emissores de dados.
No Brasil, a consultoria IBOPE Inteligência estuda o comportamento humano em
prol de auxiliar seus clientes a desenvolverem “relações cada vez mais proveitosas e
sustentáveis com seus consumidores, cidadãos e toda a sociedade” (IBOPE
INTELIGÊNCIA, 2016) e publicou em 2016 o estudo “A Crise Econômica e a
Dinâmica das Compras da Família Brasileira”, onde mostra que o comportamento do
consumidor está em mutação em resposta à crise política e econômica que o Brasil
enfrenta naquele ano; com esta informação, o estudo sugere que as marcas devem
rever o relacionamento com seus clientes já que estes estão repensando suas
necessidades de consumo por motivos de economia financeira e preocupação com
o futuro, sugerindo, por fim, que as marcas adotem as seguintes ações: reconheçam
o poder de seus consumidores e deixem isso claro para eles; valorizem as escolhas
destes; transmitam a ideia do consumo como um investimento; customização;
resgate das emoções de lazer com intuito de fazê-los esquecerem a crise; e sempre
utilizar de transparência e parceria (IBOPE, 2016).
Segundo Labrecque et al. (2013), a internet e as mídias digitais capacitam os
consumidores através da ampla oferta de informação, levando alguns acadêmicos a
afirmarem que o poder passou das mãos dos empresários para as mãos dos
consumidores; os consumidores, hoje, possuem quatro fontes de poder: demand-
based power, information-based power, network-based power, crowd-based power,
que são os poderes advindos da busca pela informação, da informação e sua
difusão, da rede de contatos e da multidão, reforçando a ideia de que a capacitação
crescente do consumidor o mune de poder de escolha e imposições aos mercados.
Os números no Brasil comprovam esse aumento ao acesso a informação. Segundo
o Instituto Brasileiro de Geografia e Estatística (IBGE), em 1988, 82% dos domicílios
13
possuíam rádio em casa, passando a 83% em 2011; em 1992, 19% dos domicílios
possuíam telefone fixo e em 1999, 38%; em 1992, 75% dos domicílios possuíam
televisão passando a 97% em 2011 (IBGE, 2016). Cruzando estes dados com a
base de dados da Agência Nacional de Telecomunicações (ANATEL), encontramos
que em 1996 havia 12 telefones a cada cem habitantes, sendo 1,7 telefone móvel e
10,4 telefones fixos a cada cem habitantes. Em 2013, esses números chegam a
158,7 telefones a cada cem habitantes – 22,3 telefones fixos e 136,4 telefones
móveis a cada cem habitantes (ANATEL, 2016). A proporção de 1,3 telefones
móveis por pessoa no Brasil em 2013 nos mostra que as pessoas – por
consequência, consumidores – estão cada vez mais acessíveis para recebimento,
busca e difusão de todo tipo de informação a qualquer hora e lugar.
Esta nova configuração das relações de consumo aponta a necessidade das
empresas e marcas a se adequarem ao ambiente destes novos consumidores, dado
que as estratégias de marketing devem ser elaboradas considerando o afeto e
cognição do consumidor, seu comportamento e seu ambiente (PETER e OLSON,
2009), e, tendo o ambiente sido modificado pelas novas tecnologias do
conhecimento, verifica-se a necessidade real de adequação de todos os níveis e
áreas das empresas, o que gera, cada dia mais, dados a serem intercambiados,
processados e analisados (NOGUEIRA, 2007).
Surge, nessa massa de dados infinitos, o chamado Big Data, termo que descreve o
imenso volume de dados disponíveis para a tomada de decisões nos negócios.
Davenport (2014, p. 1) resume o que é o Big Data:
“Big Data é um termo genérico para dados que não podem ser contidos nos repositórios atuais; refere-se a dados volumosos demais para caber em um único servidor; não-estruturados demais para se adequar a um banco de dados organizado em linhas e colunas; ou fluidos demais para serem armazenados em um data warehouse estático.”
Francisco (2015) afirma que o termo correto é Big Data Analytics, pois estes são
dados e modelos que requerem novas tecnologias tanto para armazenamento
quanto para análise e posterior captação de valor para tomada de decisões. Neste
trabalho será usado o termo Big Data, já absorvido pela língua portuguesa.
Guidolin, Costa e Nunes (2009, p. 4) afirmam que “o maior ativo do varejo é o
monitoramento constante do comportamento do consumidor, o que possibilitou o
14
aumento de sua relevância no cenário econômico nas últimas décadas”. Peter e
Olson (2009) ressaltam que a pesquisa e análise do consumidor são relevantes para
o desenvolvimento de estratégias de marketing pois, quando bem elaboradas, seus
estímulos introduzidos no ambiente do consumidor influenciam seu afeto, cognição e
comportamento.
As marcas, para Salvador (2015), devem criar diálogos com os consumidores a fim
de guiá-los a caminhos que encontram os interesses delas, e diálogos que busquem
coerência, consistência e proximidade, sendo possível através de contatos
contínuos e em mão dupla com estes consumidores.
Desta forma, uma saída moderna encontrada para a administração de dados e
informações de clientes do varejo é o uso do Big Data. O Big Data ainda é
embrionário pois, à medida em que crescem os rastros digitais deixados na rede, a
capacidade mundial de guardá-los, processá-los e analisa-los ainda é considerada
um desafio pelos gestores – não apenas pelo tamanho, mas também por
impedimentos tecnológicos, escassez de talentos e implicações éticas, como
privacidade, segurança e propriedade intelectual (FREITAS JR e MAÇADA, 2014;
LIMA e CALAZANS, 2013).
Empresas inovadoras, portanto, estão na frente ao investir na infraestrutura e mão
de obra capacitada para gerenciar seus dados; segundo Davenport e Patil (2012), o
data scientist – nome mundialmente conhecido dos especialistas em banco de
dados – é o profissional curioso, capaz de escrever e gerenciar códigos, e hábil em
conduzir experimentos, o que leva os autores a colocaram o data scientist no pódio
das atividades mais atraentes do século XXI.
No varejo, o setor supermercadista é o de maior concentração, visto que as cinco
maiores empresas detêm 40,6% do faturamento do varejo de alimentos, fazendo
com que este setor seja considerado o de maior poder de mercado em relação à
indústria, devido às compras constantes e a fidelidade de seus compradores; a
frequência de contato com o consumidor e nível de envolvimento do cliente são
maiores do que em qualquer outro setor varejista (GUIDOLIN; COSTA; NUNES,
2009).
Desde 1988 o IBGE divulga anualmente a “Pesquisa anual de comércio” cujo
objetivo é “descrever as características estruturais básicas do segmento empresarial
15
do comércio atacadista e varejista no País e suas transformações no tempo” (IBGE,
2000). As empresas analisadas pelo órgão são aquelas que possuem Cadastro
Nacional da Pessoa Jurídica (CNPJ), estão sediadas no Brasil e cuja principal
atividade cadastrada no IBGE é ‘Comércio, Reparação de Veículos, Objetos
Pessoais e Domésticos’. A subdivisão ‘comércio varejista’ é determinada pela
“revenda de produtos novos ou usados destinados, predominantemente, ‘às pessoas
físicas, para consumo pessoal ou doméstico, independente da natureza e
quantidade vendida” (IBGE, 2000).
São registradas no comércio varejista 1.286.996 empresas, sendo, dentro destas,
10.409 super e hipermercados, que apresentam a maior geração de receita na
subdivisão - R$ 278,9 bilhões, o que equivale a 25% do total apurado. Os super e
hipermercados apresentaram também a maior média de pessoal ocupado (116 por
empresa) e, junto com lojas de departamento, eletrodomésticos e móveis,
apresentam o maior salário médio mensal – 1,8 salário mínimo. Verifica-se, ainda,
baseado pelo número de pessoal ocupado (até dezenove pessoas) um grande
número de estabelecimentos de pequeno porte: 1.251.894, o que representa 97% do
total de empresas registradas no comércio varejista, e representam 48,4% das
remunerações pagas e 58,7% do emprego de pessoas do setor (IBGE, 2013).
Os dados fornecidos pelo IBGE nos mostram o quão relevante o setor
supermercadista é para o varejo brasileiro e o volume de informação que é gerado
no dia a dia das companhias. Verifica-se então que este setor detém informações
valiosas que devem ser processadas e utilizadas da forma correta, ou seja, gerando
valor para as empresas e melhorando seu desempenho (FRANCISCO, 2015).
16
Objetivo Geral
Este trabalho tem como objetivo geral verificar como o uso do Big Data pode
contribuir na construção de valor no varejo.
Objetivos Específicos
O presente estudo visa identificar como o uso do Big Data pode colaborar na
construção de valor no varejo, a partir de três estudos considerados relevantes:
a. elencar possíveis desafios encontrados pelas empresas ao utilizar o Big Data;
b. compreender o processo de construção de valor ao cliente no varejo;
c. entender como o Walmart trabalha com Big Data;
17
Justificativa
Mesmo possuindo quase um quarto da receita varejista brasileira (IBGE, 2013), os
super e hipermercados esbarram nos pequenos empreendedores. Para o Sebrae
(2014), os pequenos empreendedores são chamados de mercado ou loja de
vizinhança, e assim são classificados por possuir de um a quatro caixas de
atendimento (SEBRAE, 2014). Cada dia mais as pessoas tem menos tempo para
realizar compras e por isso optam por fazê-las no caminho para casa ou ao lado
dela; é neste gap que se inserem os mercados de vizinhança, que podem captar
consumidores dos super e hipermercados. Além disso, são diversos os motivos para
as famílias migrarem para os pequenos, já que elas estão cada vez menores e
consumindo em menor quantidade, não sentem mais necessidade de estocar
produtos em casa - o que era comum no Brasil em época de inflação -, os preços
são bastante nivelados e elas também se sentem mais seguras ao comprarem em
sua proximidade.
Segundo a Associação Brasileira de Supermercados (ABRAS) em seu relatório
“Tendências: o que pensa o supermercadista?”, em 2014 foi constatado que 58%
dos supermercadistas entrevistados teriam como foco a fidelização de seus clientes
(FILHO, 2014) e, para tal, a criação de valor é o caminho considerado certeiro.
O Walmart trabalha intensamente na construção de valor ao cliente através do Big
Data com o intuito de melhorar, constantemente, a experiência de compra de seus
clientes. Para o Walmart (WALMART CORPORATE, 2016)1,
“Walmart tem alguns dos melhores cientistas de dados e a maior base de dados de comércio do mundo. Estamos usando isto, juntamente com percepções sociais, para proporcionar uma experiência de compra personalizada - sabendo não apenas o que os clientes querem e precisam, mas também quando querem e como querem experimentar.”
Muito se tem falado sobre o uso do Big Data, seu potencial e como extrair seu
melhor (ZUPPO; COSTA; FERNANDES, 2013; SCHMARZO, 2016; MCAFFE e
BRYNJOLFSSON, 2012; SILVEIRA; MARCOLIN: FREITAS, 2015; O´REILLY e
PAPER, 2015; DE MAURO; GRECO; GRIMALDI, 2015), mas pouco se estudou na
academia sobre o uso do Big Data na construção de valor no varejo, em especial no 1 Tradução livre da autora.
18
Brasil. É possível encontrar estudos acerca do tema em estudos de consultorias e
Institutos de Pesquisa, como SAS, IBM e Mckinsey (GORDON et. al, 2013;
LEIBOWITZ; UNGERMAN; MASRI, 2013; MANYIKA et. al, 2011; SAS INSTITUTE
INC., 2016; YEE e PATEL, 2012) além de artigos em revistas como Harvard
Business Review (DAWAR, 2016; BAYER e TAILLARD, 2014; MCAFEE e
BRYNJOLFSSON, 2012) e jornais como The New York Times (BROOKS, 2016;
DAVENPORT e PATIl, 2012; FANDERL, 2014).
Desta forma, este estudo visa aprofundar o entendimento do uso de Big Data no
relacionamento com o consumidor varejista a fim de criar valor para ele. A partir do
estudo do caso Walmart, será possível visualizar as melhores práticas usadas
atualmente no mundo e no Brasil, contribuindo não apenas para a academia, como
também para administradores de diferentes setores.
19
Metodologia da pesquisa
Segundo Creswell (2010), uma pesquisa qualitativa tem as seguintes características:
em um ambiente natural, com seu pesquisador como um instrumento fundamental
com análise de dados indutiva e interpretativa a partir de uma lente teórica, sendo
estes dados oriundos de múltiplas fontes, utilizando os significados dos
participantes, em um projeto em constante mutação, finalizando em um relato
holístico. Malhotra (2005) afirma que a pesquisa qualitativa proporciona uma melhor
visão e compreensão dos problema a ser pesquisado.
Dadas essas características, e com o intuito de ampliar o conhecimento acadêmico
acerca do Big Data e seu uso na construção do valor percebido pelo consumidor no
varejo a partir do levantamento de boas práticas, de dúvidas pertinentes e
identificando novos estudos para a comunidade acadêmica (CHIZZOTTI, 2014), este
trabalho inclui um estudo de caso do Walmart tendo como coleta de dados os
documentos disponibilizados pela empresa e imprensa especializada; esse grande
número de evidências disponíveis é uma força exclusiva do estudo de caso (YIN,
2015).
Yin (2015, p.17) define o escopo do estudo de caso:
“uma investigação empírica que investiga um fenômeno contemporâneo (o caso) em profundidade e em seu contexto de mundo real, especialmente quando os limites entre o fenômeno e o contexto puderem não ser claramente evidentes”.
E as características do estudo de caso:
“A investigação do estudo de caso enfrenta a situação tecnicamente diferenciada em que existirão muito mais variáveis de interesse do que pontos de dados, e, como resultado, conta com múltiplas fontes de evidência, com os dados precisando convergir de maneira triangular, e como outro resultado, beneficia-se do desenvolvimento anterior das proposições teóricas para orientar a coleta e a análise dados (p.18)”
De acordo com o mesmo autor, o pesquisador de estudo de caso deve ter as
seguintes habilidades e valores: elaboração de boas questões, ser bom ouvinte,
20
capacidade de manter a adaptabilidade, ter uma noção clara dos assuntos
estudados e ética na condução da pesquisa evitando o viés (YIN, 2015).
Yin (2015) propõe ao pesquisador que siga um protocolo de estudo de caso com o
intuito de guia-lo e aumentar a confiabilidade da sua pesquisa por seguir regras e
procedimentos gerais de um estudo de caso completo. O Quadro 1 ilustra o
protocolo de caso usado neste trabalho.
Quadro 1 - Protocolo do estudo de caso Seção A – Visão geral do estudo de caso e finalidade do protocolo
1. Realizar um levantamento dos principais desafios encontrados pelos varejistas ao utilizar Big Data
2. Investigar como é a construção de valor para o consumidor
3. Entender como o Walmart encontrou resultados significativos ao utilizar Big Data na estratégia de marketing
Seção B – Procedimentos de coleta de dados 1. Pesquisa em documentos disponibilizados pelo Walmart em seus sítios americano
(Walmart.com) e brasileiro (Walmart.com.br)
2. Entrevista com consultor de varejo para uma análise do uso atual de Big Data na construção de valor pelo varejo
Seção C – Questões de estudo de caso 1. Após amplo estudo teórico, serão formuladas questões pertinentes ao tema, tais
como:
a. Processo de criação de valor ao consumidor moderno;
b. O uso do Big Data como ferramenta de construção de valor ao cliente;
c. O que tem sido feito no varejo em relação à inovação e uso de Big Data;
d. Dificuldades encontradas;
e. Uso do Big Data no varejo brasileiro.
Seção D – Relatório do estudo de caso 1. Entender convergências e divergências com o estudo teórico
2. Relacionamento e respostas às proposições e objetivos do trabalho
Fonte: adaptado de Yin, 2015
No Brasil e no mundo, o Walmart vem se destacando no uso de Big Data em suas
estratégias de marketing, como forma de melhorar a experiência de compra de seus
clientes. Através de um estudo de caso, este trabalho visa identificar como as
empresas podem utilizar o Big Data na construção de valor percebido pelo
consumidor. De acordo com Yin (2015), um estudo de caso precisa ter evidências
21
como documentos, registros em arquivo, entrevistas, observação direta, observação
participante e artefatos físicos.
Neste trabalho os relatórios disponibilizados aos Investidores do Walmart no sítio
americano http://corporate.walmart.com e comunicados disponibilizados no sítio
brasileiro www.walmart.com.br são minuciosamente analisados, assim como
apresentações realizadas ao público em geral, entrevistas publicadas nos meios de
comunicação e entrevista com um consultor de varejo brasileiro acerca do tema.
Dada a dificuldade em acessar colaboradores do Walmart no Brasil, optou-se por
contatar um especialista na área de varejo para o levantamento de questões
pertinentes ao uso de Big Data na criação de valor para o cliente. O especialista
consultado foi o Prof. MSc. Ricardo Pastore. Com mais de trinta anos de
experiência, passou por grandes empresas como Pão de Açúcar, Makro e Saraiva.
Atualmente atua como coordenador e professor do Núcleo de Estudos do Varejo da
Escola Superior de Propaganda e Marketing (ESPM) em São Paulo-SP (RICARDO
PASTORE, 2016).
O método utilizado foi uma entrevista semiestruturada, pois esta é utilizada quando o
pesquisador deseja obter informações detalhadas sobre um tema através da visão
do entrevistado, além da necessidade de comparação com outros casos usando
algumas questões-chave como apoio para a discussão das áreas a serem
exploradas (BONI e QUARESMA, 2005; DE OLIVEIRA, MARTINS,
VASCONCELOS, 2012).
A entrevista com especialista se encaixa no contexto porque há um menor interesse
no entrevistado como pessoa, e sim em seu conhecimento e seu domínio na área de
interesse (DE OLIVEIRA, MARTINS, VASCONCELOS, 2012). Foi usado um guia de
entrevista com intuito de conduzir a entrevista e fugir de tópicos improdutivos. O
Quadro 2 explicita o guia utilizado nesta entrevista.
Quadro 2 - Guia de entrevista Aspectos gerais
a serem abordados
Roteiro Roteiro da entrevista
Construção de Valor
O processo de geração de valor ao consumidor.
1. Como o Big Data pode contribuir no aumento da percepção de valor dos consumidores no varejo.
22
Big Data Impactos da utilização do Big Data no varejo.
2. Quais são os maiores pontos de atenção da utilização de Big Data nas empresas brasileiras?
3. E em especial para o marketing?
Varejo Como o varejo pode usar o Big Data a seu favor.
4. O que é possível fazer com o Big Data?
5. O que é possível fazer no ambiente off-line?
Brasil O uso do Big Data no varejo brasileiro.
6. Como o uso do Big Data está no Brasil?
Fonte: elaborado pela autora.
A entrevista foi realizada no dia 19 de outubro de 2016 no laboratório experimental
de varejo (Retail Lab) da ESPM.
23
CAPÍTULO 1. OS DESAFIOS QUE O BIG DATA TROUXE ÀS EMPRESAS
Em 1988, Peter Drucker afirmou que informação são dados dotados de relevância e
propósito e, portanto, transformar dados em informação requer conhecimento
especializado. Sua conclusão está baseada na transformação que as empresas
passaram no final do século passado, onde a informação passou a ser a base dos
negócios (DRUCKER, 1988; OLETO, 2006).
Angeloni (2003) alerta para o fato que dado, informação e conhecimento são
elementos normalmente confundidos, já que eles na verdade são dificilmente
delimitados: o que é um dado para uma pessoa pode ser informação ou
conhecimento para outra. Os dados são elementos brutos, sem significado. A
informação é um dado dotado de relevância e propósito. O conhecimento, por sua
vez, é a informação processada por indivíduos.
Para Angeloni (2003, p. 18),
“Dotar os dados, as informações e os conhecimentos de significados não é um processo tão simples quanto parece. Características individuais, que formam o modelo mental de cada pessoa, interferem na codificação/decodificação desses elementos, acarretando muitas vezes distorções individuais que poderão ocasionar problemas no processo de comunicação.”
Sabe-se que não é a tecnologia que fornece o maior potencial de retorno às
empresas, e sim a informação que ela possui – ou seja, o foco em bens tangíveis
cede lugar aos intangíveis como dados, informação e conhecimento (MAÇADA;
BRINKHUES; FREITAS JR, 2015; ANGELONI, 2003). Para garantir a qualidade da
informação extraída, é vital que os objetivos sejam claramente definidos pelo usuário
final dela. A chamada Ciência da Informação estuda os processos de comunicação e
suas propriedades traduzidas em um sistema de informação apropriado para uma
dada situação física, e a produção inteligente de informação segue um processo
bem desenhado de origem, coleta, organização, estocagem e recuperação,
classificação, análise, interpretação, edição, envio e uso (SAPIRO, 1993;
SARACEVIC, 1996). Hoje, sabe-se que dados possuem utilidade praticamente
infinita, e estes não se tornam obsoletos uma vez que o propósito para o qual foram
recolhidos foi alcançado; os dados são matéria-prima dos negócios atuais e podem
24
ser usados e reutilizados constantemente para inovações (MAYER-
SCHÖNBERGER e CUKIER, 2013).
Essa crescente oferta de dados foi identificada nos anos 2000, em especial nas
ciências como astronomia e biotecnologia, e tem se espalhado por todas as áreas;
os especialistas da época denominaram essa avalanche de dados como Big Data e,
por ter um conceito amplo, não há uma definição rigorosa para o Big Data –
portanto, considera-se que Big Data é um volume de informações tão grande que os
servidores comuns à época não suportavam e por isso especialistas passaram a
buscar saídas e soluções tecnológicas para a administração destas extensas bases
de dados que iam se acumulando nos servidores (MAYER-SCHÖNBERGER e
CUKIER, 2013).
Laney (2001) afirma que o Big Data nos desafia em três dimensões: volume,
velocidade e variedade. O volume se torna crescente, em especial, por conta das
vendas online que têm custos mais baixos para atender um número maior de
indivíduos e pode gerar até dez vezes mais dados do que uma transação offline.
Assim como as vendas online aumentaram o volume de dados gerados, a
velocidade de interação entre cliente-vendedor neste ambiente também aumentou o
ritmo de processamento de dados e aos tipos de dados, que podem possuir
formatos diferentes, e assim concluindo a dimensão “variedade” (LANEY, 2001).
Uma vez que o processo de geração de dados é contínuo e onipresente,
Demchenko et al. (2013) adicionaram mais dois “Vs” nas dimensões do Big Data:
valor e veracidade. Para os autores, o valor é o valor adicional proporcionado pelo
Big Data ao processo já implantado anteriormente. Já a veracidade está totalmente
ligada à infraestrutura de segurança, tal como sua confiabilidade estatística e na
origem dos dados e métodos de processo.
Em suma, conforme a Figura 1, o Big Data pode ser explicado em cinco “Vs”:
velocidade, valor, veracidade, variedade e volume. Para Demchenko et al. (2013), as
palavras-chave para cada um dos “Vs” são:
a. Velocidade: lotes, tempo real e próximo, processos, correntes;
b. Valor: estatística, eventos, correlações, hipóteses;
c. Veracidade: confiança, autenticidade, origem e reputação, disponibilidade,
prestação de contas;
25
d. Variedade: estruturado, não-estruturado, multi-fator, probabilístico
e. Volume: terabytes, registros, transações; tabelas e arquivos.
Figura 1 - Características do Big Data
Fonte: DEMCHENKO; GROSSO; DE LAAT; MEMBREY, 2013.
O desafio que o Big Data lançou sobre a humanidade não é apenas o quanto esse
largo crescimento da quantidade de informações ultrapassa nossas máquinas, e sim
nossa imaginação. Vale destacar que a quantidade armazenada de informação
cresce quatro vezes mais rápido que a economia mundial, enquanto a capacidade
computacional cresce nove vezes mais do que a economia mundial (MAYER-
SCHÖNBERGER e CUKIER, 2013).
É imperativo salientar a importância do tratamento dos dados obtidos, preocupação
nascida durante os anos de 1960 e 1970, quando a pesquisa quantitativa passou a
ter papel de destaque nos estudos. Nestas décadas, estudos sobre usuários e
disponibilização de material de consulta a eles nas bibliotecas concluem que o valor
da informação é medido através da perspectiva de utilidade do usuário. Este está
disposto a usar ou não a informação através dos seguintes parâmetros: forma,
tempo, lugar e posse, sendo o tempo o quesito de maior preocupação, pois não é só
26
suficiente que se tenha os dados, é necessário que estes cheguem em tempo útil
(BAPTISTA e DA CUNHA, 2007).
O uso de ferramentas de tecnologia da informação pelas empresas é um conceito
discutido desde o meio do século passado, quando iniciavam estudos sobre
inteligência artificial para uso corporativo (SILVEIRA; MARCOLIN; FREITAS, 2015).
Bretzke (1992), na década de 1990, afirmou que a humanidade se encontrava na
chamada Era do Cliente, época na qual a busca por vantagem competitiva exigia
dos administradores novas formas de relacionamento com o cliente, especialmente
a partir do uso de novas técnicas e ferramentas para o conhecimento deste – nasce
daí o conceito de Database Marketing. Nesta época, o conceito ainda era vago, mas
a necessidade do uso do banco de dados passou a ser vital para empresas como
Polaroid, Nintendo, General Motors e Alpargatas. Hoje, cria-se diariamente 2,5
quintilhões de bytes de dados vindos de diversas fontes (IBM, 2016), mesmo
algumas pesquisas mostrando que apenas 1% dos dados produzidos no mundo são
analisados (MAÇADA; BRINKHUES; FREITAS JR., 2015).
Considerando a existência do Big Data e seu acelerado crescimento, as empresas
devem saber como usar os dados com inteligência: informação é um produto que
deve ser definido, medido, avaliado e melhorado constantemente (CALAZANS,
2008). Além disso, distorções individuais no processamento dos dados afetam a
tomada de decisão e, por isso, segundo Angeloni (2003, p. 18), é vital a
compreensão dos seguintes pontos:
a. existem diferenças no “no queremos dizer e o que realmente dizemos; entre o
que dizemos e o que os outros ouvem; entre o que ouvem e o que escutam;
entre o que entendem e lembram; entre o que lembram e retransmitem”;
b. as pessoas ouvem apenas o que querem, de acordo com suas experiências;
c. há diferentes percepções para o uso da informação;
d. as abordagens informacionais em geral privilegiam atributos racionais,
sequenciais e analíticos, muitas vezes ignorando abordagens intuitivas e não-
lineares.
Portanto, é necessário que os decisores tenham a consciência de que o maior
desafio não é obter dados, informação e conhecimento, e sim compreender que
distorções ocorrem e devem ser amenizadas a partir de trabalho em equipe e com
27
maior participação das pessoas, pois a unificação de um pensamento comum
proporciona uma decisão de qualidade superior (ANGELONI, 2003). Para Mayer-
Schönberger e Cukier (2013), a transformação da informação e seu uso
revolucionou a forma de pensar – o Big Data transformou a capacidade da
sociedade de aproveitar informações de novas maneiras para produzir novas ideias,
bens e serviços de grande valia.
A máxima “Você não pode administrar o que não pode medir”, atribuída a W.
Edwards Deming e Peter Drucker, resume a condição das empresas atualmente –
monitoramento é vital (MCAFEE e BRYNJOLFSSON, 2012; CALAZANS, 2008).
Monitoramento só é possível quando se tem informações do que se quer analisar;
com a grande quantidade de fontes de interação entre cliente-vendedor e os
desdobramentos destas, ou seja, os dados e informação obtidos com a interação,
surge mais uma fonte de dados a ser analisada.
Mais do que isso, o Big Data nos mostra que previsão se tornou tão primordial
quanto o monitoramento. O Big Data não é sobre ensinar computadores a pensarem
como humanos, e sim sobre aplicar matemática em dados com intuito de inferir
probabilidades; o sucesso ocorre quando computadores, dispositivos ou outras
formas de criação de dados são alimentados com mais dados que baseiam as
previsões. Em outras palavras, monitorar as bases de dados permite encontrar
tendências (MAYER-SCHÖNBERGER e CUKIER, 2013).
McAffe e Brynjolfsson (2012), pesquisadores e professores do MIT, afirmaram em
2012 que executivos os questionavam se Big Data não seria uma nova forma de
dizer analytics; apesar de serem similares, dado que ambos têm como objetivo
extrair informações inteligentes de um banco de dados e as transformarem em
vantagens para o negócio, há três diferenças: volume, velocidade e variedade. Mais
dados cruzam a internet em um segundo do que foi gerado nos últimos vinte anos –
estima-se que o Walmart recolha mais de 2.5 petabytes (250 bytes) por hora – a uma
velocidade imensurável, a partir de inúmeras funções. O ser humano se tornou um
gerador ambulante de dados.
A evolução na forma de administrar dados mudou também a terminologia usada
para tal. O termo intelligence (inteligência, em português) é usado por pesquisadores
de inteligência artificial desde os anos 1950; o termo business intelligence (BI, e, em
português, inteligência do negócio) passou a ser popular na década de 1990 e, no
28
final dos anos 2000 o termo business analytics foi cunhado com o intuito de
descrever a atividade-chave do BI. Apenas depois desta época que o termo Big Data
Analytics passou a ser usado para descrever a análise de base de dados tão
grandes que necessitavam de mudanças em todo o processo (CHEN; CHIANG;
STOREY, 2012).
Não apenas no varejo, como em todas as aplicações, o Big Data desafia os
profissionais porque muitos dos dados a serem analisados não são estruturados
(DAVENPORT, 2014) já que estes advêm de diversos formatos e fontes, como
vídeos, imagens, redes sociais, sensores em produtos e etc. Redes sociais como
Facebook, Twitter, Instagram e Snapchat, dispositivos móveis, internet em sensores,
produtos e etc. transformaram o mundo em uma rede interconectada. (MONTEIRO,
2015; SILVEIRA; MARCOLIN; FREITAS, 2015; ZIKOPOULOS et al., 2015;
SANTAELLA et al., 2013; DE PRATO e SIMON, 2015).
Santaella et al. (2013, p. 31) resumem a situação atual ao afirmar que
“a inteligência computacional está em franca expansão, ocupando todas as partes do real que estejam ao seu alcance e cujo potencial fica ampliado quando conectado de maneira móvel à internet. Trata-se de uma racionalidade computacional que opera em nosso dia a dia, nas entranhas das instituições, das pessoas, dos animais, das plantas, dos oceanos, dos objetos. Uma expansão que cada vez menos percebemos visualmente e que cada vez mais se incorpora aos nossos hábitos.”
Levando o conceito do Big Data para o mundo organizacional, Gomes Jr. (2014, p.
51) afirma que não tem o poder quem possui os dados, e sim quem sabe tratá-los e
encontrar insights para as dúvidas existentes.
“Big Data não é notável por causa de seu tamanho, mas por ser capaz de fazer relações entre os dados existentes. Ou seja, informação por si só não é poder, mas, sim, as relações, os padrões que revelam a compreensão sobre o motivo pelo qual determinado fato ocorreu.”
Bretzke (1992) ressalta a importância da implantação e manutenção de bancos de
dados. Para alcançar o sucesso no uso do banco de dados, é necessário definir
minuciosamente a estratégia, como será aplicada e quais são as informações
necessárias.
29
De acordo com Davenport (2014), para as organizações, o Big Data transforma não
apenas a tecnologia utilizada ou os processos determinados, mas sim suas culturas
e orientações básicas, além de ser um caminho para redução de custos, melhoria no
tempo de execução de diversas tarefas e lançamento de novos produtos e serviços.
Para tal, uma mudança inicial básica é a valorização da descoberta e
experimentação com os dados disponíveis.
As respostas que precisam ser encontradas após análise dos dados é como
melhorar os negócios e/ou atividades com os dados, dados esses que surgem e
desaparecem instantaneamente (SILVEIRA; MARCOLIN; FREITAS, 2015) e como
migrar de uma cultura de trabalho duro para a de uso de informação e conhecimento
(SAPIRO, 1993).
Schmarzo (2016, p. 8)2 afirma que “não são as novas tecnologias que perturbam os
modelos de negócio, e sim o que as empresas fazem com essas novas tecnologias”,
sendo corroborado por Freitas Jr. e Maçada (2014) que afirmam que é necessária
uma gestão eficaz de informação para as decisões serem melhoradas. Em suma,
segundo Salvador (2015, p. 26-27),
“um plano de trabalho com Big Data é uma jornada que deveria levar em conta três elementos: (i) junção e integração de um volume extraordinário de dados novos para mineração de insights frescos, (ii) seleção de modelos analíticos avançados para automatizar operações e predizer os resultados de decisões de negócios e (iii) criação de ferramentas para traduzir as saídas dos modelos em ações tangíveis e treinar funcionários.”
Considerando a importância da mudança da organização como um todo, as
corporações deparam-se com desafios de grande porte, como a gestão do novo
profissional que surgiu com as inovações das últimas décadas, a revolução na
cultura organizacional que deve ser administrada, a ética em torno da manipulação
de dados e o relacionamento com o cliente, que serão discutidos neste trabalho.
1.1. Novos desafios à gestão de pessoas: o novo profissional
A IBM oferece a seus clientes soluções tecnológicas para o tratamento de
informações, mas, mais do que isso, disponibiliza informações aos visitantes de seu
2 Tradução livre da autora.
30
sítio provendo papers, ebooks e tutoriais esclarecedores sobre os produtos que
comercializam. Sua página destinada a bancos de dados está repleta deles; além de
explicarem as funcionalidades de suas soluções, enfatizam a necessidade dos
dados serem de origem confiável e segura e, à medida em que as oportunidades
crescem, mais difícil se torna a administração. Desta forma, a manutenção de
equipes técnicas e não-técnicas é fundamental para que o trabalho seja
desenvolvido com mais rapidez, pois enquanto uma equipe extrai dados e os trata,
outra equipe os analisa e fornece informações para os administradores reagirem
pioneiramente. A Figura 2 demonstra como o ‘trabalho duro (working harder, em
inglês)’ contrasta com o ‘trabalho dinâmico (working smarter, em inglês)’, termos
utilizados pela companhia para mostrar a seus clientes que o ideal é trabalhar de
forma mais inteligente e dinâmica – o ‘working smarter’ – e não trabalhar mais de
forma mais intensa – ‘working harder’ (IBM, 2013).
Uma das orientações da IBM (2013) para seus clientes é o uso correto de softwares
(eles indicam o software chamado Hadoop) para melhorar a produtividade a partir da
integração dos dados em uma mesma interface, assim como seus conceitos, lógicas
e construtos. Além da economia de tempo e trabalho, há a economia de capital para
evitar treinamentos para uso de novas plataformas.
Figura 2 - Trabalho duro versus trabalho dinâmico
Fonte: IBM, 2013.
Davenport e Patil (2012) elegeram o data scientist (em português, cientista de
dados) como o profissional mais sexy (sic) do século XXI. Isso se dá por conta do
enorme burburinho que se formou em torno desses profissionais, que são
31
originalmente matemáticos, cientistas, tecnólogos, estatísticos e engenheiros se
adaptando ao novo modelo de negócio – a transformação de dados em
conhecimento (VIAENE, 2013) e, para tal, devem ter a capacidade de aplicar
ferramentas analíticas e algoritmos para gerar previsões e insights sobre produtos e
serviços a partir da construção de modelos matemáticos, formulação de hipóteses e
técnicas de regressão (RIBEIRO, 2014).
Entretanto, ainda de acordo com Viaene (2013), toda esta euforia está criando
expectativas fora do controle, já que, para que o data science funcione, é necessário
ter uma equipe multifunção (e não apenas data scientists) e projetos (e não
experimentos).
Além disso, segundo Davenport e Kim (2014), muitos analistas estão interessados
basicamente nos métodos e análises, deixando em segundo plano os problemas de
negócios a serem resolvidos; para Davenport e Kim (2014), essa mentalidade
decorre, em partes, do sistema educacional que tende a ensinar matemática e
estatística de maneira não contextualizada. Por isso, os cientistas de dados são
profissionais formados pela função e devem ser treinados e valorizados – com a
crescente demanda por estes profissionais, a rotatividade deles entre as empresas é
grande. Desta forma, propõe-se que:
Proposição 1: Para a geração de valor é vital a conexão do mundo dos dados com
o mundo dos especialistas no negócio.
Para Davenport (2014) o cientista de dados possui cinco atributos fundamentais,
mostrados no Quadro 3:
Quadro 3 - Atributos dos Cientistas de Dados Hacker (ciberpirata, em português)
a. capacidade de codificar;
b. domínio das arquiteturas tecnológicas de Big Data.
Cientista a. tomada de decisões baseada em evidências;
b. improvisação;
c. impaciência e inclinação à ação.
Conselheiro de confiança a. grandes habilidades de comunicação e relacionamento;
b. capacidade de elaborar decisões e entender os processos decisórios.
Analista quantitativo a. análise estatística;
b. visual analytics;
32
c. aprendizado de máquina;
d. análise de dados não estruturados, como textos, vídeos e imagens.
Expert em negócios a. compreensão de como o negócio funciona e lucra;
b. boa noção de onde aplicar o analytics e o Big Data.
Fonte: adaptado de DAVENPORT, 2014.
Ao analisar as caraterísticas do Quadro 2, Davenport e Kim (2014, p. 94) afirmam
que os “os analistas mais bem-sucedidos são aqueles que contam histórias com os
dados”. Para Bayer e Taillard (2014), histórias bem contadas são mais fáceis de
serem entendidas, mais amigáveis para tomadas de decisão e mais persuasivas.
1.2. A cultura organizacional
Segundo Drucker (1988), não apenas a informação sofre mutação com o
crescimento de dados ofertados, como também a estrutura das companhias:
empresas com gestão baseada em informação requerem mais especialistas do que
tomadores de decisão que, em geral, estão no topo dos organogramas. Equipes
mais enxutas e redução de intermediários são vitais para a adequação dos
requisitos básicos desta nova empresa, que são: 1. Concentração de esforços em
poucos objetivos, 2. Atribuição de responsabilidade das informações a todos os
envolvidos e 3. Gestão de pessoas. Este, em especial, é de grande preocupação do
autor por se ramificar em quatro desafios: definição de remuneração e bonificações,
unificação da visão em toda a empresa, desenhar equipes de força-tarefa e garantia
de recursos para os tomadores de decisão.
Para Davenport (2014), são cinco os atributos de uma cultura organizacional voltada
ao Big Data: impaciência com as tradições e convenções e possuir senso de
urgência; grande foco na inovação e exploração; a crença de que a tecnologia é
uma fonte de disrupção; uma cultura de comprometimento e uma organização não-
hierárquica e meritocrática.
Gordon et al. (2013) elencam quatro pontos de atenção das empresas que utilizam
análise de Big Data com sucesso: 1. Elas fazem as perguntas certas; 2. Elas são
33
criativas usando os recursos que possuem no momento; 3. Elas otimizam os gastos
entre os canais e 4. Elas mantem-se simples.
Assim, propõe-se que:
Proposição 2: Uma empresa que deseja usar o Big Data de forma assertiva deve
prover mudanças em sua cultura.
Um estudo conduzido pela consultoria Bain & Company concluiu que as empresas
que adotaram o Big Data em suas análises são cinco vezes mais rápidas em tomar
uma decisão do que suas concorrentes, e têm duas vezes mais chances de estar
em entre os 25% maiores resultados financeiros de suas indústrias (He et al., 2015).
Entretanto, é imperativo que as empresas se atentem ao risco da manutenção de
velhos hábitos na tomada de decisão; para Fulgoni (2013, p. 373)3, apesar de o Big
Data ser uma clara e atraente ferramenta para geração de valor, ele é “uma faca de
dois gumes, pois tem potencial de corroer o valor da marca no longo prazo por conta
da tendência das marcas de cultivar a mentalidade de tomada de decisão de curto
prazo.”
1.3. Ética e privacidade
Em janeiro de 2014 o presidente americano Barack Obama encomendou a seus
conselheiros um estudo que examinasse como o Big Data transformará nossa forma
de viver ou trabalhar e alterará as relações entre governo, população, negócios e
consumidores. Podesta et al. (2014) explicam que o Big Data é como encontrar uma
agulha no palheiro, ou seja, para se encontrar uma agulha, é preciso do palheiro,
assim como a informação buscada precisa de dados, muitos dados. Da mesma
forma que as informações encontradas podem fornecer resultados eficazes, o
contrário também pode ocorrer:
“Mesmo com grandes quantidades de dados, a informação revelada não é necessariamente perfeita. Identificar um padrão não quer dizer que este padrão é significativo. Correlação ainda não é igual a causalidade. Encontrar uma correlação com as técnicas de Big Data pode não ser uma base adequada para prever resultados ou comportamento, ou tornando julgamentos sobre os indivíduos. Nos dados grandes, como acontece com
3 Tradução livre da autora.
34
todos os dados, a interpretação é sempre importante.” (PODESTA et al., 2014, p. 7)
Anderson e Rainie (2012) alertam para a possibilidade de erro na intepretação: com
o livre acesso a perfis nas redes sociais, algoritmos pré-determinados podem
concluir erroneamente sobre a personalidade de alguém, assim como prever seu
comportamento futuro. Portanto, aplicar correlações corretamente é fundamental
para análises e predições corretas e justas.
Um estudo realizado nos EUA mostrou que buscas online envolvendo nomes
costumeiramente usados pelos negros (como Jermaine, por exemplo) estão mais
propensas a trazer anúncios com a palavra “detenção” do que quando nomes
costumeiramente usados pelos brancos (Geoffrey, por exemplo). Os autores alertam
para as consequências disso para os indivíduos, em especial aqueles que buscam
emprego, querem comprar um imóvel, etc. (PODESTA et al., 2014).
Além disso, os chamados filter-bubbles também os preocupa. Filter-bubbles são
algoritmos elaborados em especial por sites de busca e redes sociais e filtram
informações que eles acreditam não serem de interesse do usuário: Pariser (2011)
pediu a dois colegas que fizessem uma busca no Google da palavra ‘Egito’, e eles
tiveram resultados diferentes um do outro pois o histórico de busca deles eram
diferentes e apresentavam, portanto, para os algoritmos, que eles buscavam
resultados diversos. Ou seja, pode-se concluir que até os algoritmos possuem
vieses e suposições (PARISER, 2011).
À medida em que crescem as empresas que solicitam e-mail e/ou dados pessoais,
mais os consumidores se esquivam de fornecer, portanto é indispensável ser
respeitoso e criar valor (DALEY, 2016). Vale lembrar também que no mundo digital,
a informação pode ser capturada, copiada, dividida, transferida e mantida
indefinidamente (PODESTA et al., 2014), sendo ainda inexistente a discussão
pública para avaliar o que está sendo coletado sobre a sociedade e como os
recursos são utilizados (DIAS e VIEIRA, 2013).
Pesquisadores em marketing veem as redes sociais como um caminho para tratar o
relacionamento com o cliente como uma conversa entre a empresa e o consumidor,
diferente do termo B2C (business-to-consumer), considerado uma forma de
relacionamento de mão única (CHEN; CHIANG; STOREY, 2012).
35
Em decorrência disto, propõe-se que:
Proposição 3: O uso das informações coletadas de clientes deve ser realizado
cautelosamente e em prol do bom relacionamento e confiança do consumidor.
1.4. O relacionamento com o cliente
Quando as empresas disponibilizavam poucos canais de atendimento ao cliente, a
interação entre as marcas e empresas e seus clientes era relativamente simples.
Entretanto, hoje, mais da metade dos clientes se movem entre três ou mais canais
de interação para concretizar uma simples atividade (FANDERL, 2014).
Mais do que isso, os consumidores usam a internet para criticar, recomendar e
questionar produtos e/ou marcas. He et al. (2015) conduziram um estudo de caso
dos dois maiores varejistas mundiais em termos de receita, Walmart e Costco. O
intuito era identificar o que era discutido na rede social Twitter sobre os seguintes
produtos: muffin (bolinho), cookie (biscoito com gotas de chocolate), pizza e frango.
Entre os dias 01 de dezembro de 2014 e 28 de fevereiro de 2015 os autores
buscaram através de ferramentas disponíveis quantas vezes os nomes de ambos
varejistas eram citados no Twitter. Enquanto o Walmart foi citado 246.442 vezes, o
Costco foi citado 229.517 vezes. He et al. (2015) verificaram que, apesar do Walmart
ter sido citado mais vezes, os consumidores falaram – positiva ou negativamente -
mais dos produtos vendidos no Costco do que dos produtos do Walmart. No caso do
muffin, o Costco recebeu menos comentários positivos e mais comentários
negativos do que o muffin vendido no Walmart.
Para He et al. (2015), estudos como estes podem alertar varejistas sobre potenciais
oportunidades de seus produtos. Como conclusão, é possível enxergar que é
essencial que se acompanhe o que é falado sobre si na internet, mas, além disso, é
necessário avaliar produtos individualmente para se ter informações valiosas e
muitas respostas para resultados previamente obtidos.
Usando como exemplo a abertura de uma conta corrente, pode-se visualizar pelo
menos seis interações em diferentes canais: um consumidor comum faz uma
pesquisa online, preenche uma ficha de inscrição, fala com o atendimento em
36
centrais de atendimento, vincula suas contas em corretoras, visita uma agência e
instala o aplicativo de autoatendimento em seu dispositivo móvel. E, desta forma,
milhares de bytes são criados e armazenados e, portanto, devem ser analisados
(FANDERL, 2014). A análise desses dados é crucial para a melhoria da experiência
do cliente e o crescimento dos negócios – e Fanderl (2014) afirma que não são os
pontos de contatos individuais que devem ser verificados, e sim toda a jornada
realizada pelo cliente.
Leibowitz, Ungerman e Masri (2012) afirmam que administrar e analisar essa
quantidade de pontos de interação e como melhorar o processo para o cliente são o
problema número um dos varejistas. Para os autores, os varejistas precisam fazer
ofertas individuais para clientes em potencial, já que ofertas personalizadas podem
aumentar as vendas em 10% (LEIBOWITZ; UNGERMAN; MASRI, 2012). Entretanto,
para Yee e Patel (2012), o ideal é deixar o mais simples possível para a equipe
vendas; afinal, de nada adianta possuir dados sobre oportunidades, esquemas de
precificação, variadas informações de produtos e clientes, se a equipe que fica “na
ponta” não tem condições de utilizar todas esses dados. Para os autores, a palavra
de ordem é ‘simples’: caminhos simples, testes simples e ferramentas simples.
Por outro lado, na visão do cliente, é necessário identificar o limite das ofertas; o Big
Data permite que interações nas redes sociais, pesquisas realizadas nos
buscadores como Google e Yahoo e conversas por mensagens eletrônicas sejam
rastreadas, e com isso, identificar o que pode ser do interesse do cliente é possível
(GRENSING-POPHAL, 2014). A solução, segundo Grensing-Pophal (2014), é tornar
as interações com os clientes similares a uma simples conversação através de três
princípios: aviso, escolha e transparência.
As informações coletadas a partir de interações com clientes devem ser tratadas
cuidadosamente, mesmo que o cliente tenha autorizado o uso. Isto é, mensagens
recebidas podem ser interpretadas de diversas formas pelos clientes; eles podem
sentir-se satisfeitos por receberem promoções especiais com produtos ou serviços
relacionados ao seu histórico de compra ou podem sentir-se invadidos (GRENSING-
POPHAL, 2014). Mensagens bem elaboradas se tornam a chave para o bom
relacionamento com o cliente.
37
1.5. O uso do Big Data no varejo
A pesquisa The Data Storm, realizada pela Economist Intelligence Unit Report em
conjunto com a consultoria Wipro, busca identificar como os varejistas estão
reagindo e se beneficiando com o Big Data. A partir de uma pesquisa com cinquenta
executivos americanos e europeus dos setores de mercearia e alimentação, moda e
varejo misto, concluiu-se que a maioria dos varejistas se encontra nos estágios
iniciais do uso do Big Data, visto que 30% dos respondentes afirmam que ainda não
estão obtendo valores consistentes com a base que possuem. Marketing é uma das
três prioridades das companhias, assim como o maior foco no cliente, porém o
resultado do uso do Big Data não é transparente: 52% dos entrevistados não tem
certeza sobre o impacto do uso nas vendas (THE ECONOMIST INTELLIGENTE
UNIT LIMITED, 2013).
Para mais da metade dos executivos, a lealdade à marca (64%) e as vendas
multicanais (54%) são as áreas que mais ganham com o uso do Big Data; para eles,
o Big Data permitiu, em especial, aumentar as vendas com as sugestões de
compras e oferecer ao cliente multicanal a possibilidade de rastrear e administrar
suas compras mais eficientemente.
Entre as dificuldades encontradas, estão a dificuldade de identificar dados seguros,
incerteza quanto à relevância dos dados, barreiras legais, qualidade dos dados e
custo, conforme apresentado na Figura 3.
Portanto, propõe-se que:
Proposição 4: O uso do Big Data no varejo tem grande potencial de crescimento no
mundo todo.
38
Figura 3 - Barreiras ao uso do Big Data pelos varejistas
Fonte: THE ECONOMIST INTELLIGENTE UNIT LIMITED, 2013.
39
CAPÍTULO 2. GERAÇÃO DE VALOR AO CLIENTE NO VAREJO
Em um mundo em constante mutação, o varejo não ficaria de fora. A competição
mundial e os avanços tecnológicos ampliaram a oferta de produtos e serviços, os
mercados segmentaram-se e emergiram os mercados de nicho, o ciclo de vida e
distinção de produtos mudam quase que diariamente, a mídia massificada pode
causar confusão, novos negócios surgem em grande velocidade, a previsão de
resultados está cada vez mais difícil de ser desenhada e a imprevisibilidade impera
em muitas situações e momentos; identificar o que o cliente procura dentre diversas
variáveis que o influenciam passou a ser prioridade para muitos administradores no
varejo (CHAMIE e IKEDA, 2015; CERIBELI; CERIBELI; MIRLO, 2010) e empresas
que consideram a imprevisibilidade dos desejos e as necessidades dos clientes
como oportunidades de ganho tomam a dianteira no mundo dos negócios (GARCIA,
GONZALES e MAUAD, 2010).
O tempo onde o preço determinava a concorrência ficou para trás e hoje conhecer
profundamente o consumidor é vital para as empresas. O relacionamento com o
cliente passou a ser o caminho ideal para a construção e manutenção de uma base
de clientes lucrativos e comprometidos e, por consequência, fiéis; para tal, entender
o que o consumidor considera valioso é o ponto de partida para a sobrevivência no
novo mercado (SCHWAB, 2009; GARCIA, GONZALES e MAUAD, 2010; NEWELL,
2000). O comportamento do consumidor é influenciado pelos pensamentos e
sentimentos envolvidos no processo de compra; o ambiente em que o consumidor
se encontra, suas interações e trocas possuem grande impacto sobre suas atitudes
(PETER e OLSON, 2009).
A decisão da compra racional é tomada a partir da maximização da utilidade do
produto ou serviço pelo consumidor – e o processo decisório possui seis etapas:
conscientização do problema, identificação do problema, geração de alternativas,
avaliação das alternativas, escolha da melhor alternativa e implementação
(AFONSO, 2010). São cinco as formas que o orientam no processo de escolha:
a. valor funcional: quando um produto ou serviço satisfaz seu propósito
físico ou funcional;
b. social: quando um produto ou serviço satisfaz uma necessidade social;
40
c. emocional: quando um produto ou serviço satisfaz uma necessidade
que cria emoções;
d. epistêmico: quando um produto ou serviço satisfaz a necessidade
humana de aprender algo novo; e
e. condicional: quando um produto ou serviço satisfaz uma necessidade
situacional ou de contingência.
Ao gerar uma experiência positiva ao seu cliente, a marca está mais perto de criar
um vínculo emocional com ele, criando e fortalecendo, então, a valorização e
fidelidade à marca (CHAMIE e IKEDA, 2015; VELUDO-DE-OLIVEIRA e IKEDA,
2005).
A partir dos dados coletados em uma pesquisa com 42 indivíduos, sendo quinze
consumidores online, quinze executivos de companhias de comércio eletrônico e
doze profissionais de design eletrônico, Srinivasan, Anderson e Ponnavolu (2002)
levantaram as características que um varejo eletrônico deve possuir para alavancar
a lealdade pois geram valor ao cliente. Essas características podem ser trabalhadas
exaustivamente com as bases de dados e ferramentas adequadas em prol da
criação de valor ao cliente.
A customização é a habilidade dos varejistas de fornecer produtos e serviços para
seus clientes individualmente; no ambiente online, significa identificar o cliente e
ofertar a ele uma variedade acertada a partir dos dados armazenados de cada um
deles. Pesquisas mostram que 83% dos internautas se sentem confusos ou
frustrados quando estão navegando na Internet, e a customização é um caminho
para a redução da frustração ao apresentar o que o cliente deseja (SRINIVASAN;
ANDERSON; PONNAVOLU, 2002).
A interatividade, por sua vez, conduz o engajamento dos clientes; ao fornecer
ferramentas que facilitem a navegação, eles tendem a passar mais tempo no sítio
eletrônico (SRINIVASAN; ANDERSON; PONNAVOLU, 2002).
Os autores citam também a necessidade do cultivo do relacionamento, ou seja,
oferecendo informações e influenciando as compras ao longo do tempo
(SRINIVASAN; ANDERSON; PONNAVOLU, 2002).
41
A atenção dispensada no pré e pós-venda é essencial para a continuidade das
compras, e, sabendo-se que um cliente insatisfeito é capaz de contar sua
experiência fracassada a milhares de pessoas, e que no mundo virtual esse cliente
pode acessar o concorrente em instantes, garantir o cuidado apropriado a seus
clientes é vital (SRINIVASAN; ANDERSON; PONNAVOLU, 2002).
A importância da comunidade virtual também não pode ser descartada, pois a rede
de contatos possui informações, resenhas e opiniões acerca de todos os assuntos, e
experiências com varejistas e seus produtos não ficariam de fora. O boca a boca é
uma das principais fontes de informação utilizada atualmente (SRINIVASAN;
ANDERSON; PONNAVOLU, 2002).
Sortimento variado e conveniência, que é a sensibilidade do consumidor de quanto o
sítio é simples, intuitivo e user friendly (expressão americana que remete à facilidade
de uso). Pesquisas apontam que 30% dos consumidores que saem de determinada
loja virtual o fazem por que não encontram o que desejam ou acham que o caminho
é difícil (SRINIVASAN; ANDERSON; PONNAVOLU, 2002).
Caracterização do sítio é a identidade visual da loja, ou seja, o conjunto de textos,
estilos, gráficos, cores, logotipos, slogans e temas que atraem ou não o consumidor
(SRINIVASAN; ANDERSON; PONNAVOLU, 2002).
O valor percebido é uma avaliação sobre a utilidade do bem ou serviço e suas
características sobre o sacrifício necessário para obtenção pelo cliente, ou seja, o
valor líquido obtido após os atributos positivos e negativos avaliados (SWEENEY;
SOUTAR; JOHNSON, 1999). O conhecimento que uma empresa possui sobre os
valores de seus clientes traz implicações para as atividades de marketing, tais como
análise de mercado e segmentação, posicionamento, planejamento de produtos e
marcas e estratégia de comunicação (VELUDO-DE-OLIVEIRA e IKEDA, 2005).
A compra e sua valorização constroem um valor não apenas utilitarista, mas
hedônico também (COSTA et al., 2014) e, por isso, criar situações e estímulos que
incrementem os benefícios percebidos geram vantagem competitiva para o varejista
(CHAMIE e IKEDA, 2015). Consumidores hedônicos buscam estímulos sensoriais e
inconscientes de sua experiência de compra enquanto consumidores utilitaristas
comportam-se racionalmente e preocupam-se basicamente na funcionalidade dos
produtos (HERNANDEZ, 2009).
42
2.1. Valor no varejo
No caso do varejo supermercadista brasileiro, ocorreram mudanças após a
implantação do Plano Real na década de 1990 e abertura do comércio ao mercado
externo: os varejistas sentiram a perda de competitividade e eficiência, compressão
de margem de lucro e consumidores em busca de baixo preço. A redução da taxa de
natalidade, tempo disponível para preparo de refeição em casa, o fortalecimento das
redes de fast-food e o aparecimento de novos formatos de varejo como clubes
atacadistas e lojas de desconto influenciaram na queda das vendas dos varejistas
tradicionais. A criação de valor ao cliente através da melhora de processos surgiu
como uma das saídas encontradas e novas ferramentas para auxiliar a gestão dos
canais de distribuição surgiam no período (GHISI e DA SILVA, 2006).
Desta forma, propõe-se que:
Proposição 5: Com o melhor atendimento ao cliente, verifica-se que os benefícios
encontrados com a automação de processos, uso de tecnologia, agilidade e maior
oferta de produtos são caminhos acertados para a criação de valor para o cliente.
Anualmente, a Nielsen desenvolve um estudo chamado “Mudanças no Mercado
Brasileiro” com o intuito de analisar as tendências da indústria e varejo no Brasil. A
edição de 2016 foi feita em um cenário incerto, com alta de inflação, de desemprego
e endividamento – a nova realidade do consumidor brasileiro. De acordo com o
estudo, no 4o trimestre de 2015 a situação do consumidor se encontrava com os
seguintes aspectos:
a. Redução do consumo fora de casa;
b. Diversificação de canais em busca de um melhor custo benefício;
c. Redução da frequência de compras;
d. Busca por embalagens econômicas;
e. Troca por marcas mais baratas; e
f. Cesta de compras menor.
Diante deste novo comportamento, os cinco elementos elencados considerados
essenciais para fabricantes e varejistas no curto e médio prazo pela consultoria são:
43
preço, missão de compra, lealdade e as macrotendências millenials e e-commerce.
(NIELSEN, 2016).
No quesito preço, concluiu-se que promoções certas são grandes aliadas,
promopacks impulsionam Higiene e Beleza e Limpeza Doméstica, e que descontos
temporários impulsionam Bebidas e Alimentos. No quesito missão de compra, a
otimização do orçamento determina o canal e escolha de produtos; em lealdade,
constatou-se que 41% das marcas líderes retraíram em volume de vendas em 2015,
mostrando que o consumidor está disposto a trocar de marca.
A primeira macrotendência são os chamados “millenials”, que Bucuta (2015) define
como geração Y, aquela que nasceu entre os anos de 1980 e 2000, e está se
tornando o maior segmento de consumidores da história, promovendo um grande
impacto na economia mundial por conta de seu representativo número dentro da
sociedade e seu crescente poder de compra. Segundo o relatório, os millenials são
engajados, compram por impulso e vivem o momento e 37% dos entrevistados
afirmam que não pretendem economizar.
A segunda macrotendência é o e-commerce, já que 60% das pessoas que acessam
a Internet já realizaram pelo menos uma compra de bens de consumo de alta
rotatividade. Para lidar com a troca de marcas, segundo a pesquisa, o ideal é seguir
três pilares: excelência, mídia e inovação (NIELSEN, 2016).
Para Peter e Olson (2009), a estratégia de marketing das companhias deve ser
baseada no ciclo ‘Ambiente do Consumidor – Afeto e Cognição do Consumidor –
Comportamento do Consumidor’. Neste cenário, o uso do Big Data se torna uma
ferramenta rápida e eficaz para o relacionamento com o cliente. O valor percebido
pelo cliente pode ser incrementado com a utilização eficaz de seus dados,
oferecendo a eles ofertas certeiras.
2.2. Geração de valor ao cliente de varejo
Ganesh et al. (2010) afirmam que os consumidores online e off-line no varejo
tendem a possuir motivações de compra similares: ambos buscam conveniência,
mais informações sobre os produtos e maior variedade, estão dispostos a gastar
44
mais para poupar tempo, e desejam produtos personalizados ou especializados – a
diferença é que lojas online possuem um atributo difícil de ser replicado em outro
canal: a dimensão de conveniência é redefinida, dado que online as máximas
“Compre de casa”, “Compre em qualquer hora do dia ou da noite”, “Escape de
multidões”, “Não pule de loja em loja” são realmente verdadeiras. A tendência dos
consumidores se tornarem fiéis vem da oferta constante ao longo do tempo de
produtos interessantes, que eles estão acostumados a consumir e a encontrar na
loja, com bons serviços oferecidos, e um excelente programa de relacionamento,
oferecendo, sempre, o valor que os clientes esperam encontrar (LEVY et al., 2005).
De acordo com Phillips (2014), em um curto período de tempo, a tecnologia móvel e
a web social transformaram a forma que os consumidores vivem, trabalham, se
divertem e compram e estas mudanças tornaram imperativa a inovação com o intuito
das empresas e marcas de se manterem relevantes. Para o varejo em especial, o
uso do digital é imperativo para a transformação a experiência de compras – e, por
consequência, os consumidores absorvem todo o valor e conveniência aonde
estiverem.
Para Manyika et al. (2011), nos encontramos atualmente no apogeu de uma grande
onda de inovação, produtividade e crescimento, assim como de novos modelos de
competição e captação de valor, todos movidos pelo Big Data. A escala e o escopo
das mudanças providas pelo Big Data estão no ponto inflexão e já é possível
enxergar as mudanças no panorama econômico.
2.2.1. Big Data na construção de valor
São cinco as atitudes providas pelo Big Data no processo de criação de valor
(ANDERSON e RAINIE, 2012; MANYIKA et al., 2011):
a. Tornar o acesso aos dados mais fácil a todos os envolvidos na cadeia de
valor oferece transparência em atividades organizacionais que podem ser
usadas para aumento da eficiência;
b. permitir experimentos abre caminho para o surgimento de novas
necessidades, expõe inconsistências encontradas e melhora a performance;
45
c. segmentação de populações;
d. uso de algoritmos automatizados que substituam ou colaboram com as
decisões humanas;
e. inovação de modelos, produtos e serviços.
Para a Interbrand (2014), os varejistas devem oferecer personalização, se manterem
centrados no cliente e não no canal de venda e se atentarem à jornada de compra
do cliente. Manyika et al. (2011) estimam que os varejistas que usem o Big Data de
uma forma abrangente tem potencial de aumento de margem operacional de mais
de 60%.
A mineração de dados, que é a transformação dos dados em conhecimento, pode
desenhar modelos analíticos que ajudam as empresas a prever resultados,
encontrar novas oportunidades, melhorar o desempenho dos negócios e, sobretudo,
aplicar soluções para diversas questões relacionadas aos clientes, como
segmentação, comportamento, preferências e histórico de compras, além de
fornecer dados para campanhas de vendas cruzadas, retenção ou aquisição de
novos clientes e previsão de novas compras (SAS INSTITUTE INC, 2016).
Para os varejistas, a mineração de dados pode contribuir na descrição do cliente
para elencar as características de bons clientes e como e quem poderá se tornar
um; no desenho dos clientes-alvo, que são aqueles que estão no concorrente ou que
migraram para ele; na análise da cesta de compras – produtos que foram
comprados na mesma transação para melhorar a distribuição na loja física ou como
sugestão de compra na loja online (NEWELL, 2000). Varejistas online podem
oferecer serviços como bate-papo com vendedor, desafios interativos que induzem a
navegação e busca virtual, por exemplo (GANESH et al., 2010).
A varejista americana Target tem como meta saber tudo o que for possível sobre
seus clientes; seus clientes possuem um código usado internamente que fornece
todas as interações a partir do uso do cartão de crédito, cupom de desconto,
pesquisa respondida, envio de mensagens, solicitação de reembolso, ligação à
Central de Atendimento, recebimento de e-mail ou até mesmo no acesso ao sítio da
internet. Com o código de identificação, a Target busca dados geográficos, estado
46
civil, filhos, tempo que demora para sair de casa e chegar à loja mais próxima e
estima a renda média (BROOKS, 2012).
Dawar (2016) alerta que a previsão de próxima compra não é mais uma vantagem
competitiva, pois todos os concorrentes já investiram na construção de bons times
de colaboradores e já entenderam como desenhar logaritmos certeiros nas
previsões. Dawar (2016, p. 3)4 afirma:
“Para construir uma vantagem duradoura, programas de marketing que potencializam o Big Data precisam mudar para questões mais estratégicas quanto a aderência prazo do cliente, lealdade e relacionamentos. A pergunta que precisa ser feita não é exatamente o que irá desencadear a próxima compra, mas o que fará este cliente permanecer leal; não apenas o preço que o cliente está disposto a pagar na próxima transação, mas qual será o tempo de vida do cliente; e não apenas o que os clientes vão ganhar ao mudar para o concorrente, mas o que vai impedi-los de mudar quando um concorrente oferecer um preço melhor.”
Todas as questões levam a uma solução: criar valor para o cliente. Para Dawar
(2016), as marcas devem se questionar em três pontos: 1. Que tipo de informação
ajudará meu cliente a reduzir seus riscos e custos?; 2. Que tipo de informação é
altamente difundida, mas pode trazer novas ideias se agregadas com novos dados?;
e 3. Existe diversidade e variedade entre os meus clientes de tal forma que eles irão
beneficiar-se da incorporação de dados dos outros com os deles?
Para a consultoria Interbrand, as marcas bem posicionadas – e, portanto, mais
valiosas – que tendem a continuar gerando demanda no futuro são aquelas capazes
de obter desempenho melhor que de seus concorrentes em uma série de quesitos,
tais como: clareza de valores, posicionamento e proposta de valor,
comprometimento, proteção e segurança, capacidade de resposta, autenticidade,
relevância, diferenciação, presença e entendimento dos valores (INTERBRAND,
2014a).
Vale destacar que um bom relacionamento está baseado na segurança. O
armazenamento de informações dos clientes deve ser seguro e transparente –
solicitar dados pessoais ou profissionais é uma tarefa delicada e por isso deixar
claro ao cliente que possuir essas informações melhorará o relacionamento
empresa-consumidor é vital para o sucesso da construção do relacionamento com o
mesmo (NEWELL, 2000). 4 Tradução livre da autora.
47
As empresas armazenam a maior quantidade de dados possível para garantir
previsões mais certeiras: compras necessárias para o nascimento de uma criança -
que envolve desde a compra de roupas para gestantes, passando por enxoval e
uma possível reforma na casa – mudança de cidade, formatura, troca de emprego
são épocas propícias a compras e, em especial, a compras fora do habitual
(BROOKS, 2012).
Para Saleh e Shukairy (2011, p. 107), a segurança sentida pelo comprador é crucial
para a conversão dele: “Ainda que a primeira conversão de um cliente seja
importante, clientes retornantes são mais valiosos. O valor de conversão é
multiplicado se você for capaz de obter a lealdade do cliente”. De acordo com os
autores, são quatro os passos necessários para alcançar a confiança de seus
clientes:
a. Conhecimento: trata-se da visibilidade do negócio e a facilidade que os
clientes têm em encontrá-lo;
b. Informação: trata-se da capacidade de convencer o cliente da eficácia
e importância do seu produto;
c. Envolvimento: este passo envolve a capacidade de responder
questões dos clientes a fim de convencê-los que o produto ofertado é o
melhor do mercado e não será encontrado em condições melhores em
qualquer concorrente – e transformá-los em clientes efetivamente;
d. Confiança: garantia de que o cliente obteve a melhor experiência
possível.
É importante levantar os quatro elementos éticos quanto ao uso do Big Data:
identidade real versus identidade virtual que são multifacetadas, privacidade,
reputação e propriedade da informação (DIAS e VIEIRA, 2013). Para Dias e Vieira
(2013, p. 179):
“[...] as vantagens proporcionadas pelo uso das técnicas do Big Data pelas organizações podem ser suplantadas pelo impacto negativo causado nos usuários a partir da percepção que os dados estão sendo utilizados de maneira não explícita e, de algum modo, invadindo o espaço privado deles”.
48
2.3. Big Data no varejo
Varejistas de todo o mundo estão usando o ambiente digital para transformar a
experiência de compra (INTERBRAND, 2014) e, por isso, novas formas de
abordagem ao cliente vão surgindo a cada dia. Manyika et al. (2011) afirmam que a
contínua adoção e desenvolvimento de Big Data no varejo pode resultar em um
potencial crescimento de 0,5% no setor até 2020.
O uso de Big Data no marketing, de acordo com Salvador e Ikeda (2015, p. 5),
“representa a possibilidade de um profundo mergulho no entendimento do comportamento do consumidor, através do acompanhamento de seu perfil (geodemográfico, atitudinal, comportamental), a sua declaração de áreas de interesse e preferências, e do monitoramento de compra.”
Desta forma, ao conhecer seu consumidor as marcas tem informações valiosas para
interações e ofertas adequadas ao perfil do cliente.
Manyika et al. (2011) identificaram dezesseis alavancas que podem ser utilizados ao
longo da cadeia de valor, agrupadas por funções, conforme demonstrado no Quadro
4.
Quadro 4 - Alavancas para o varejo a partir do Big Data
Fonte: Manyika et al., 2011.
49
Dentro de marketing, os autores listam o cross-selling, marketing no ponto de venda,
análise do comportamento dentro do ponto de venda, micro segmentação do
consumidor para futura personalização, análise de sentimentos através de
ferramentas que monitoram consumidores online, e melhoria na experiência de
compra do consumidor multicanal (MANYIKA et al., 2011).
Dentro de merchandising, Manyika et al. (2011) sugerem otimização do sortimento,
do preço e design. Dentro de operações, entra a transparência na análise da
performance e otimização dos sistemas de inserção de dados da operação. Para
cadeia de suprimentos (supply chain), o Big Data pode facilitar na administração do
inventário, otimização da logística, e contato com os fornecedores.
Além disso, o Big Data trouxe novos modelos de negócios, como serviços de
comparação de preços e vendas baseadas apenas na Internet, como Amazon e
eBay (MANYIKA et al., 2011).
A seguir, algumas ferramentas utilizadas em varejistas do mundo todo.
2.3.1. Recomendação pessoal de produtos e cross-sell
A Amazon busca a partir do histórico de compra e de busca sugestões aos seus
clientes. As Figuras 4 e 5 apresentam a página inicial da Amazon no acesso da
autora no dia 28 de outubro de 2016: compras passadas de produtos infantis e
busca de opções de mochilas realizadas no mês de setembro de 2016 foram
armazenados e sugestões são apresentadas. A Amazon já reportou que 30% de
suas vendas provém dessas recomendações (MANYIKA et al. 2011).
50
Figura 4 - Recomendações Amazon.com em 28 out 2016
Fonte: Amazon. Disponível em: www.amazon.com. Acesso em 28 out 2016. Figura 5 - Recomendações Amazon.com em 28 out 2016
Fonte: Amazon. Disponível em: www.amazon.com. Acesso em 28 out 2016.
2.3.2. Geolocalização
Varejistas enviam alertas com comunicados e promoções quando identificam,
através de geolocalização, que seus clientes estão perto de suas lojas ou dentro
delas. A empresa PlaceCast, fornecedora da tecnologia, estima que 50% de seus
51
usuários já realizaram compras a partir das ofertas enviadas (MANYIKA et al., 2011).
São cerca de dez milhões de usuários que permitem o envio de alertas de ofertas de
suas marcas preferidas em seus dispositivos móveis (PLACECAST, 2012). Dentre
seus clientes se encontram Best Buy, GAP, The Home Depot e Sports Authority
(PLACECAST, 2016).
As ofertas mais populares são: 23% para entretenimento, 17% para saúde e beleza,
8% para moda, 14% para o varejo em geral, 13% para alimentação e 25% para
outros (PLACECAST, 2012).
A Figura 6 mostra um exemplo do alerta enviado a um cliente.
Figura 6 - Alerta enviado pela PlaceCast a um cliente cadastrado
Fonte: PLACECAST, 2016a.
2.3.3. Ofertas para compras não finalizadas
Srinivasan, Anderson e Ponnavolu (2002) ressaltam a necessidade da interação
contínua com os clientes como forma de alcançar a lealdade. O fornecimento de
informações úteis incentiva o cliente e diminui a necessidade deste de procurar
novas opções.
52
No Brasil, o varejista Casas Bahia envia e-mails aos seus clientes que não
finalizaram a compra em sua loja virtual, incentivando-o a voltar e comprar com
preço mais baixo. A Figura 7 apresenta um e-mail enviado à autora após pesquisa
de preço de produtos eletrônicos semanas antes.
Figura 7 - Fragmento de mensagem eletrônica da Casas Bahia
Fonte: Casas Bahia. Disponível em: <http://p2trc.emv2.com/HM?b=FioVzn13-NYreIkBX7ck_plkSVoPT-QwV0JD-EkF01FtjSBLoKoG-vbqvhfdRLjA&c=S04ARGj2u70xkyKBK5ilag>. Acesso em: 18 set 2016.
2.3.4. Análise de sentimento
A partir do uso de bases de dados oriundas de redes sociais, pesquisadores e
empresas podem analisar o que tem sido dito pelos usuários sobre qualquer
assunto. Com o uso de softwares como LIWC (Linguistic Inquiry and Word Count),
Happiness Index, SentiWordNet, SASA e diversos outros, é possível identificar e
monitorar a polaridade (bom e ruim, por exemplo) em mensagens compartilhadas a
fim de capturar opiniões públicas relacionados a eventos, produtos, campanhas e
etc. (ARAÚJO; GONÇALVES; BENEVUTO, 2013).
Carrefour, Lojas Renner e Fnac são varejistas que usam o software Inbenta
(INBENTA, 2016).
53
2.3.5. Atendimento ao cliente multicanal
Varejistas inovadores estão integrando preço e promoções em suas operações em
todos os canais de venda, e enxergam resultados nas vendas, satisfação do
consumidor e lealdade (MANYIKA et al., 2011).
Williams-Sonoma, varejista americano com foco em vendas de produtos culinários e
decoração (WILLIAMS-SONOMA, 2016), integrou as bases de dados de seus
clientes com bases de informações de mais de 60 milhões de casas, o que os
permitiu levantar dados de renda e números de filhos; com estas informações, são
enviados e-mails ao público alvo correto que obtém taxas de resposta de dez a
dezoito vezes maiores do que e-mails não segmentados. Além disso, o varejista cria
diferentes versões de seus catálogos visando seus diversos grupos de clientes
(MANYIKA et al., 2011).
54
CAPÍTULO 3. ESTUDO DE CASO: WALMART
O grande volume de informações gerado nos dias de hoje tem uma explicação
encontrada pelo Google: 90% das interações diárias realizadas por uma pessoa são
feitas por telas, ou seja, através de seus smartphones, laptop ou computador, tablet
ou televisão (GOOGLE, 2012). Além disso, 98% das pessoas afirmaram usar mais
de um dispositivo por dia, inclusive mais de um dispositivo ao mesmo tempo e em
média três combinações de dispositivos por dia como smartphone e televisão,
smartphone e laptop/computador e laptop/computador e televisão, conforme
apresentado na Figura 8.
Figura 8 - Três combinações de uso de dispositivos diversos por dia
Fonte: GOOGLE, 2012. No quesito compra, verifica-se que a compra por impulso também ocorre através de
dispositivos, conforme a Figura 9: 81% dos entrevistados afirmaram comprar por
impulso quando estão online via seu smartphone e 58% quando estão online via seu
laptop ou computador. Estes dados não são ignorados pelos varejistas do mundo
todo, e a cada dia novas formas de atingir seus clientes a partir dos dados gerados
por eles são criadas.
55
Figura 9 - Compra por impulso versus Compra planejada
Fonte: GOOGLE, 2012.
É importante, portanto, analisar o que os grandes varejistas fazem para garantir os
postos em que se encontram; para tal, foram levantadas algumas das práticas
realizadas pelos maiores varejistas das Américas do Norte e Latina. A consultoria
Interbrand realiza periodicamente um ranking dos melhores varejistas nas visões
setorial e regional. Para eles, uma companhia é considerada varejista quando pelo
menos metade da sua receita vêm de suas lojas físicas ou de seus sites. São três os
componentes avaliados: desempenho financeiro do varejista, o papel de sua marca
na decisão de compra e força competitiva da marca (INTERBRAND, 2014).
Na América do Norte, o Walmart se encontra na primeira posição, conforme Figura
10.
56
Figura 10 – As vinte melhores marcas de varejo na América do Norte
Fonte: INTERBRAND, 2014.
Segundo o levantamento da Interbrand, os varejistas entenderam a mobilidade
crescente de seus clientes e passaram a focar-se nos seus clientes e não no canal
de compra e, como o ato de comprar está em todo lugar, a experiência do cliente em
dispositivos móveis deve ser considerada, já que estes enviam clientes às suas lojas
físicas. Além disso, a palavra personalização torna-se a palavra de ordem
(INTERBRAND, 2014).
3.1. A história do Walmart
O Walmart foi fundado por Sam Walton, em 1962, aos 44 anos. A primeira loja foi
construída na cidade de Rogers (Arkansas, Estados Unidos), tendo se espalhado
mundo afora nos seus mais de cinquenta anos de história.
A história do Walmart, assim como seus direcionamentos, se confunde com a
história e pensamentos de Sam Walton – sua ideologia baseia-se em preços baixos
57
e excelentes serviços, o que se mantém até os dias de hoje. A missão de
economizar o dinheiro dos clientes para que estes vivam melhor é o que a empresa
segue diariamente.
O nascimento e crescimento do Walmart estão totalmente inseridos na própria
história do varejo, como é possível analisar no Quadro 5.
Quadro 5 – Linha do Tempo do Walmart Década de 1960: A revolução do Varejo
1962 Em 2 de julho de 1962 é aberta a primeira loja Walmart
1964 A família Walton possui 24 lojas, aproximando-se de US$ 12,7 milhões em vendas
1969 Nascimento da Wal-Mart Stores, Inc.
Década de 1970: o Walmart agora é nacional
1970 Walmart se torna uma empresa de capital aberto
1971 O primeiro Centro de Distribuição e o Escritório Central se estabelecem em Bentonville, Arkansas.
1979 Nascimento da Fundação Walmart
Década de 1980: décadas “dos primeiros”
1983 Abertura da primeira Sam’s
1983 Troca das caixas registradoras manuais por sistemas computadorizados de fechamento de venda
1987 Instalação do maior sistema de comunicação via satélite privado dos Estados Unidos, ligando as operações da empresa via voz, dados e vídeo.
1988 Abertura da primeira loja Walmart Supercenter
Década de 1990: Maior varejista da América
1991 Joint-venture com a mexicana Cifra, abrindo a primeira loja no país, tornando o Walmart uma empresa global
1992 Falecimento de Sam Walton
1993 Walmart comemora a primeira semana com venda na casa de US$ 1 bilhão
1994 Compra de 122 lojas da canadense Woolco
1996 Abertura das primeiras lojas na China
1997 Walmart atinge US$ 100 bilhões em vendas no ano
1998 Abertura de três lojas do Neighborhood Market
1998 Walmart chega ao Reino Unido com a compra da rede ASDA
Década de 2000: O Novo Milênio
2000 Lançamento do Walmart.com
2002 O Walmart chega ao topo do ranking americano Fortune 500
2002 Walmart chega ao Japão
2007 Walmart lança o Site to Store, permitindo aos clientes a compra via sítio eletrônico e retirada em loja física
58
2009 Walmart chega ao Chile através da aquisição majoritária da D&S S.A.
2009 Walmart atinge US$ 400 bilhões em vendas no ano
2010 Abertura da primeira loja na Índia.
2011 Chegada na África do Sul com a aquisição do MassMart
2014 Walmart atinge a marca de 2,3 milhões de colaboradores no mundo, com atendimento de mais de 200 milhões de clientes por semana em 11.000 lojas em 27 países
Fonte: adaptado de WALMART, 2016.
O Walmart opera em 27 países, sendo 60% de suas vendas em 2014 concentradas
nos Estados Unidos. Atualmente seu maior concorrente é o comércio eletrônico
Amazon, que possui o maior valor de mercado do mundo (CABRAL, 2016).
3.2. Investimentos
O Walmart tem investido não apenas em suas lojas, mas também na construção da
presença online e mobile com intuito de acompanhar a taxa de 10% de crescimento
anual de vendas online nos Estados Unidos (KLIE, 2014; INTERBRAND, 2014) e
criar valor ao cliente. O Walmart busca, através de seu departamento de pesquisa,
inovações tecnológicas com potencial de mudar e melhorar a forma com que seus
clientes realizam compras e exceder suas expectativas é sua meta permanente.
(DOUGLASS, 2016; WALMART TODAY, 2014).
Sabendo que consumidores de baixa renda, em geral, vivem incertos quanto ao seu
próximo pagamento, e portanto vão mais vezes a mercados pequenos próximos de
suas residências, gastando menos em cada viagem, o Walmart planeja dobrar o
número de lojas Express, que têm em média mil metros quadrados (INTERBRAND,
2014).
Segundo o diretor executivo do Walmart, Doug McMillon,
“Varejo não é mais apenas a colocação de itens em uma prateleira. Trata-se de lutar por nossos clientes, eliminando os aborrecimentos e advogando para eles no preço, também. Estamos nos movendo para além da venda de produtos, para ser a marca que os clientes dependem para tornar suas vidas mais simples e mais significativas para a economia de dinheiro.” (WALMART TODAY, 2016)
59
Em 2016 os maiores investimentos foram em tecnologia e em pessoas. Melhorias
nos centros de atendimento proveram a melhor entrega dos pedidos e há
consecutivo crescimento no número de compras online retiradas nas lojas físicas,
em especial nas compras realizadas entre as 20h e 21h de produtos infantis -
horário considerado ‘livre’ para os pais, pois seus filhos já estão dormindo (WAL-
MART STORES INC, 2016).
O Walmart, direta e indiretamente, causou a maior parte da aceleração da
produtividade através da inovação contínua de gestão, que gerou o aumento da
intensidade competitiva e dirigiu a difusão das melhores práticas gerenciais e
tecnológicas no varejo. Na década de 1980, por exemplo, o Walmart desenvolveu a
ferramenta “Retail Link”, onde a comunicação com o fornecedor foi melhorada: os
fornecedores têm acesso ao estoque das lojas, o que os permite enviar o produto ao
invés de ficar esperando um pedido (MANYIKA et al., 2011).
3.3. O uso de Big Data no relacionamento com o cliente
O uso de Big Data, algoritmos e competência avançada em previsões é de
importância extrema na estratégia da companhia (WALMART TODAY, 2016).
Estima-se que a o uso de Big Data pela companhia tenha iniciado em 2004, quando
o Walmart analisou as vendas após o Furacão Charley para prever a demanda após
o Furacão Frances5 (MARR, 2015; HAYS, 2004). Mais do que usar o Big Data em
suas ações de marketing, o Big Data tornou-se parte de seu DNA e uma de suas
unidades de negócio se chama @WalmartLabs.
A @WalmartLabs é uma empresa de mídia que possui ferramentas de análise de
conteúdo de redes sociais e de termos pesquisados em seu site, elencando
tendências, sucessos de vendas regionais e sentimentos a partir de conversas
públicas nas redes sociais (CLIFFORD, 2012), tendo escritórios nos Estados Unidos
(nas cidades San Bruno, CA; Sunnyvale, CA; Carlsbad, CA e Portland, OR), Brasil
(Barueri, SP) e Índia (Kandubeesanahalli, Outer Ring Road Bengaluru)
(@WALMARTLABS, 2016). 5 O furacão Charley atingiu os estados da Flórida e Carolina do Sul em agosto de 2014, e o furacão Frances atingiu Cuba e a Flórida em setembro de 2014. Fonte: Exame.com. Disponível em: < http://exame.abril.com.br/mundo/11-furacoes-que-ja-castigaram-os-eua/>. Acesso em 13 nov 2016.
60
Através da @WalmartLabs, o Walmart desenvolveu ferramentas – que
posteriormente se tornaram de códigos abertos – para análise rápida da imensidão
de dados gerados diariamente, como o Muppet, Thorax e Lumbar (RIJIMENAM,
2016).
Para a @WalmartLabs, não basta construir produtos, todos os dias há
oportunidades de redesenhar o panorama do comércio eletrônico, gerando impactos
para a indústria (@WALMARTLABS, 2016). Em suma, a atividade do
@WalmartLabs está descrita abaixo.
“A equipe de segmentação do @WalmartLabs trabalha sobre cada ação clicável em Walmart.com: o que os indivíduos compram online e nas lojas físicas, as tendências no Twitter, desvios meteorológicos locais e outros eventos locais externos, como o San Francisco Giants ganhar a World Series. Nós capturamos esses eventos e inteligentemente provocamos padrões significativos para que nossos milhões de clientes Walmart.com tenham uma experiência de compra personalizada individualmente.” (@WALMARTLABS, 2012)6
Suas inovações são resumidas na Figura 11: Omnichannel, Mobile: Leveraging
Stores, Baby Registry, Store Maps, Mobile Check-in e Responsive Design, que
serão discutidos.
No Brasil, o uso de Big Data no Walmart ainda está caminhando. Desta forma, neste
trabalho optou-se por elencar as atividades da matriz Americana como forma de
ilustrar o que tem sido realizado, o que nos leva a crer que em breve a operação
brasileira utilizará mais intensamente as ferramentas disponíveis.
6 Tradução livre da autora.
61
Figura 11 - Inovações @WalmartLabs
Fonte: @WALMARTLABS, 2016.
3.3.1. Omnichannel, Mobile: Alavancando lojas e Mapa das lojas
Mais de 65% dos clientes Walmart possuem smartphones e 80% têm menos de 35
anos, e são livres para acessar a companhia da forma que preferirem: através de
seus dispositivos móveis, visitando a loja virtual ou as lojas físicas
(@WALMARTLABS, 2016).
A partir da busca de um brinquedo, foi possível identificar todo o esforço da
companhia para que o usuário efetivasse não somente a compra deste brinquedo ou
de produtos relacionados, e sim de diversas outras opções ofertadas.
Foi realizada a consulta do brinquedo “Star Wars Legendary Jedi Master Yoda”, a
partir da palavra ‘jedi’ no campo de busca em um notebook, apresentado na Figura
12, e será analisado todas as funcionalidades a partir desta busca – realizada no dia
16 de setembro de 2016.
A funcionalidade “Search My Store” (em português, “Buscar Minha Loja”) permite a
pesquisa de sortimento dentro da loja ou através de dispositivos móveis. Através do
sítio www.walmart.com é possível checar estoque de produtos, resgatar cupons de
desconto, informar-se sobre ofertas, consultar serviços disponíveis e horários de
funcionamento da loja e enviar receita médica para medicamentos apenas
selecionando a loja que se deseja consultar. A cidade Nova Iorque foi buscada, e a
62
loja North Bergen Walmart foi selecionada. Ao digitar a palavra ‘jedi’ no campo de
busca para checar o estoque de produtos relacionados à palavra, nada apareceu,
conforme Figura 13, indicando que nesta loja não há nada relacionado à palavra
‘jedi’.
Figura 12 - Brinquedo buscado em Walmart.com
Fonte: Walmart.com. Disponível em: <https://www.walmart.com/search/?query=jedi&cat_id=4171>.
Acesso em: 16 set 2016.
Figura 13 - Busca da palavra 'jedi' no estoque da loja North Bergen
Fonte: Walmart.com. Disponível em: < https://www.walmart.com/store/3795>. Acesso em 16 set 2016.
Ainda dentro da funcionalidade Search My Store, é possível resgatar cupons de
desconto, conforme Figura 14.
63
Figura 14 - Cupons de desconto disponíveis para resgate e uso na loja North Bergen em 16 set 2016
Fonte: Walmart.com. Disponível em: < https://www.walmart.com/store/3795/coupons>. Acesso em16 set 2016.
Além disso, é possível realizar compras online com desconto, retirando na loja
escolhida, conforme Figura 15.
64
Figura 15 - Promoções exclusivas para compra online e retirando na loja North Bergen
Fonte: Walmart.com. Disponível em: <https://www.walmart.com/store/3795/rollbacks>. Acesso em: 16 set 2016.
Na página de notícias e eventos da loja North Bergen, verifica-se que estas estão
disponíveis no idioma espanhol – conforme Figura 16 -, sugerindo que a loja está
situada em uma cidade com alto número de hispânicos, confirmado pelo Censo
Americano – estima-se que, em 2015, 30% da população da cidade de Bergen
County (NJ) seja de estrangeiros, sendo 19% de hispânicos ou latinos (UNITED
STATES CENSUS BUREAU, 2016).
65
Figura 16 - Notícias e eventos da loja North Bergen
Fonte: Walmart.com. Disponível em: <https://www.walmart.com/store/3795/details>. Acesso em 16 set 2016.
3.3.2. Baby registry
Não apenas para bebês, mas também para casamentos ou eventos diversos, é
possível criar listas de presentes, onde todos podem acessar e comprar presentes.
O diferencial deste serviço é que o Walmart oferece a opção de compartilhar a lista
de presentes por e-mail ou Facebook.
Ainda usando o brinquedo “Star Wars Legendary Jedi Master Yoda” na análise do
processo de venda, foi criada a lista “Mariana”, foi incluído o brinquedo e divulgado
no Facebook, conforme Figuras 17 e 18.
66
Figura 17 - Inclusão do brinquedo Stars Legendary Jedi Master Yoda na lista de desejos 'Mariana’
Fonte: Walmart.com. Disponível em: <https://www.walmart.com/ip/Star-Wars-Legendary-Jedi-Master-Yoda/44729660>. Acesso em 16 set 2016.
67
Figura 18 – Compartilhamento da lista de desejos no Facebook em 16 set 2016
Fonte: Facebook. Disponível em: <https://www.facebook.com/mlprates>. Acesso em 16 set 2016. A criação da lista pode ser feita através do aplicativo Walmart.com, e os itens podem
ser inseridos através do site ou com o dispositivo móvel: ao escanear o código de
barras do produto selecionado na loja, o produto entra na lista automaticamente.
Quando os amigos e família comprarem o presente escolhido na loja física, basta
eles escanearem o recibo de pagamento através do aplicativo para que a compra
seja registrada (@WALMARTLABS, 2016).
3.3.3. Mobile Check-in
Está em teste o check-in para clientes da unidade de negócios Sam’s Club: os
clientes que realizaram a compra online com a retirada em uma loja física podem
acessar o aplicativo e realizar um check-in, informando a loja que ele está a
caminho, reduzindo tempo de espera (@WALMARTLABS, 2016). Esta comodidade
cresceu seu uso em 46% no quatro trimestre de 2016 e é o maior crescimento
dentre todos os negócios da companhia (WAL-MART STORES INC, 2016).
68
3.3.4. Design Responsivo
Em 2015 foi concluído o processo de transformar o site responsivo a aplicativos
móveis. Isto é, todo o conteúdo do site é adaptado ao formato do dispositivo móvel
utilizado pelo cliente, permitindo-o a acessar a maior quantidade de conteúdo
possível de acordo com o tamanho da sua tela (@WALMARTLABS, 2016).
3.4. Coleta de informações e Política de Privacidade
Para o Walmart, proporcionar uma experiência de compra superior aos concorrentes
é vital e, dentro dos requisitos para a criação de valor ao usuário está na garantia
deque este confie na empresa. Para tal, segundo a Política de Privacidade,:
“Nossa maneira de fazer isso é deixá-lo saber de forma clara, proeminente e facilmente acessível como coletamos, usamos, compartilhamos e, acima de tudo, protegemos suas informações pessoais” (WALMART, 2015)7.
O Walmart coleta dados fornecidos por seus clientes e colhidos através da
tecnologia, conforme descrito no Quadro 6. Além disso, há informações recebidas de
terceiros de forma a garantir a segurança do negócio, como informações financeiras.
Quadro 6 - Fontes de informação de clientes
Informações fornecidas pelos clientes Informações recolhidas através de tecnologia (a empresa lista apenas alguns exemplos)
Compra ou qualquer outra transação online ou off-line
Informações de navegação
Criação de conta em algum dos sites da empresa ou em aplicativos de dispositivos móveis
Localização, através de dispositivos de geolocalização ativados
Compra de algum presente em listas de presentes ou criar uma lista de presentes
Câmeras nas lojas
Participação em algum programa da empresa, como Savings Catcher ou eReceipts
Solicitar atendimento no Serviço de Atendimento ao Cliente
Qualquer tipo de contato com a empresa
7 Tradução livre da autora.
69
Postar qualquer mensagem nas redes sociais da empresa, websites ou aplicativos em dispositivos móveis
Participar de promoções, pesquisas, sorteios e etc.
Fonte: elaborado pela autora
O intuito da captura das informações, segundo o Walmart, é para, em suma, prover
produtos e serviços de interesse do consumidor (WALMART, 2015).
As informações não são distribuídas a terceiros sem consentimento, salvo nas
seguintes situações: para a prestação do serviço completo, como dados de entrega
de pedidos à empresa de logística ou processadores de cartão de crédito, para
vendedores que usam a loja virtual do Walmart no programa Marketplace 8 ,
informações legais, ou na fusão de empresas do grupo (WALMART, 2015).
Os clientes podem optar por não permitir a profusão de dados quando possível e há
diferentes canais para tal. Vale ressaltar que a Política é replicada às unidades no
exterior de acordo com a legislação vigente.
3.5. Walmart no Brasil
A primeira loja do grupo aberta no Brasil foi o Sam’s Club na cidade de São Caetano
(Grande São Paulo) em 1995. O faturamento de 2015 foi de R$ 29,3 bilhões.
Suas operações se concentram no Walmart.com.br, 485 lojas físicas em 18 estados
e o Distrito Federal, mais de 200 farmácias, 10 postos de combustível, 120
fotocenters e 50 restaurantes e cafeterias e cerca de 70 mil funcionários. As
bandeiras estão inseridas nos formatos hipermercado, supermercado, atacado, lojas
de vizinhança e clube de compras e são nove no total: Walmart, Hiper Bompreço,
BIG, Bompreço, Nacional, Mercadorama, Maxxi, Sam’s Club e TodoDia (WALMART
BRASIL, 2016).
Sua missão é “ser o melhor varejista do Brasil – na mente e no coração dos
consumidores e funcionários”, sempre respeitando o indivíduo e buscando
8 Varejistas podem utilizer o sítio do Walmart para realizar suas vendas. Fonte: < https://marketplace.walmart.com.br>. Acesso em 15 nov 2016.
70
excelência, inovação na seleção e promoção de produtos e serviços (WALMART
BRASIL, 2016a).
Atualmente, segundo o Ranking do Instituto Brasileiro de Executivos de Varejo e
Mercado de Consumo (IBEVAR) de 2015, o Walmart é o terceiro maior varejista em
termos de faturamento no Brasil, atrás do Grupo Pão de Açúcar e Carrefour (MELO,
2016).
3.5.1. Estratégia do negócio
Sua cadeia de valor engloba quatro pilares (WALMART BRASIL, 2015):
a. Estratégia: um dos principais diferenciais do Walmart é o modelo Preço Baixo
Todo Dia (PBTD), cujo intuito é oferecer produtos com preços mais baixos em
qualquer dia da semana em todas as lojas da rede. Para o Walmart (WALMART
BRASIL, 2016b, p. 49), “o modelo representa liberdade para o consumidor, que
não precisa esperar por promoções e ações pontuais, e tem os melhores preços
em sua cesta de produtos pelo maior período de tempo a cada mês”.
A estratégia funciona através do modelo Custo Baixo Todo Dia (CBTD), que
engloba melhores negociações com fornecedores e otimização de custos com
logística. (WALMART BRASIL, 2015).
b. Gestão da Sustentabilidade: desenvolvimento e engajamento de toda a
cadeia a adotar práticas sustentáveis, sob um prisma com oito plataformas
multidisciplinares: Clima e Energia, Insumos, Resíduos/Impacto Zero, Cadeia
de Suprimentos, Clientes Conscientes, Funcionários Conscientes, Logística e
Construções (WALMART BRASIL, 2015);
c. Pacto pela Sustentabilidade: baseado nos pilares Amazônia, Compras
Responsáveis e Gestão de Resíduos, o Pacto visa um modelo de negócios
orientado para o desenvolvimento sustentável (WALMART BRASIL, 2015);
d. Ética na Cadeia de Suprimentos: conjunto de procedimentos e políticas para
que os parceiros comerciais atuem de acordo com a legislação (WALMART
BRASIL, 2015).
71
No Brasil, o modelo PBTD ainda não está fortalecido pois o consumidor brasileiro é
movido a promoções, e o modelo PBTD é uma estratégia comercial para toda a loja;
desta forma, o consumidor brasileiro perde a sensação de estar economizando ao
não se deparar com um produto em promoção no carrinho de compras (CABRAL,
2016).
3.5.2. Atendimento ao cliente
Para o Walmart, o melhor atendimento ao cliente é um dos ingredientes que
proporcionam a melhor experiência de compra – além do preço baixo e produtos
certos (WALMART BRASIL, 2016b).
Para melhorar o atendimento ao cliente, o Walmart criou um processo de
recebimento de reclamações no Procon em tempo real, redigiu o Guia Prático do
Código de Defesa do Consumidor e distribuiu a cinco mil líderes de lojas e aumentou
o número de interações nas mídias sociais Facebook, Instagram e Twitter
(WALMART BRASIL, 2016b).
Como resultado, 24% de redução no total geral de reclamações, conforme o Quadro
7.
Quadro 7 – Destaques do atendimento ao cliente Walmart Brasil em 2015
Fonte: WALMART BRASIL, 2016b.
72
Através da melhoria das lojas, com ajustes em questões críticas, e do
aprofundamento das relações digitais com os consumidores, o Walmart almeja criar
uma experiência de compra “sem costura”, ou seja, sem entraves; desta forma, para
a companhia, seus clientes não apenas economizam dinheiro ou tempo, e sim
considerarão comprar no Walmart por terem uma experiência simples, conveniente e
divertida (WAL-MART STORES INC, 2016).
3.5.3. Walmart.com.br
A operação online tem sido uma das prioridades da empresa, que cresce 10% ou
mais ao ano (CABRAL, 2016), mas verifica-se que os sistemas não são integrados,
visto que os preços e condições de pagamento praticados no comércio eletrônico do
Walmart Brasil não são similares aos das lojas físicas (WALMART BRASIL, 2016c),
além de não haver integração dos canais visto que, ao contrário da operação
americana, não é possível checar o estoque das lojas ou comprar através da loja
online e retirar em unidades físicas.
Desde o primeiro momento em que um cliente acessa a loja virtual, todos os seus
passos são monitorados; palavras buscadas, o que coloca e tira do carrinho de
compras e páginas visitadas são armazenadas e os algoritmos cruzam essas
informações, encaixando o visitante em um grupo de consumidores com hábitos
semelhantes (FEIJÓ, 2016).
Em uma entrevista em 2013, Fernando Madeira, na época presidente da operação
de comércio eletrônico na América Latina (desde 2014 atua como presidente da
operação americana9), afirmou que a operação brasileira do comércio eletrônico
estava em profunda transformação com o objetivo de criar uma cultura digital e que
envolvia reforço da equipe, investimentos em centros de distribuição e
comercialização de itens de marca própria e importados na loja online e, em especial
o uso do Big Data para ampliar as visitas ao website e aumentar as vendas (ISTOÉ
DINHEIRO, 2013). 9 Fonte: LinkedIn. Disponível em: <https://www.linkedin.com/in/fernandomadeira>. Acesso em 13 nov 2016.
73
Ao acessar a página, é possível visualizar o uso de Big Data: são sugeridos os
produtos mais buscados na última hora, conforme Figura 19, os produtos mais
comprados na última hora (Figura 20) e últimos produtos vistos (Figura 21).
Figura 19 – Produtos mais buscados da última hora em Walmart.com.br em 12 nov 2016
Fonte: Walmart.com.br. Disponível em: <www.walmart.com>. Acesso em 12 nov 2016.
Figura 20 – Produtos mais vendidos da última hora em Walmart.com.br em 12 nov 2016
Fonte: Walmart.com.br. Disponível em: <www.walmart.com>. Acesso em 12 nov 2016.
74
Figura 21 – Últimos produtos vistos em Walmart.com.br em 12 nov 2016
Fonte: Walmart.com.br. Disponível em: <www.walmart.com>. Acesso em 12 nov 2016.
No Brasil, existe a funcionalidade “Lista de Desejos”. Nesta lista, o usuário seleciona
os produtos que deseja acompanhar, conforme a Figura 22 apresenta. Informações
sobre alterações de preços e novidades são disponibilizadas na página mediante
login.
75
Figura 22 – Lista de desejos Walmart.com.br
Fonte: Walmart.com.br. Disponível em: < https://www.walmart.com.br/minhas-listas#/>. Acesso em 12 nov 2016.
3.6. Análise dos resultados
A partir do estudo teórico, foram levantadas seis proposições a serem discutidas em
um diálogo com os dados obtidos no estudo de caso do varejista Walmart e na
entrevista com o consultor Ricardo Pastore.
3.6.1. Proposição 1: Para a geração de valor é vital a conexão do mundo dos dados com o mundo dos especialistas do negócio.
Para Ricardo Pastore, “A origem de tudo está na inovação. A empresa precisa se
inserir no movimento inovador”, e, por isso, foi questionado o que ele acredita, afinal,
que o Big Data pode ajudar os varejistas quando estes entendem a necessidade de
mudança na tomada de decisões, e isso incluir aceitarem que o Big Data serve para
mudar o que tem sido feito em especial na segmentação dos clientes.
76
“O Big Data vai ser mais efetivo e mais rápido de acordo com o movimento inovador da empresa [...].
O grande negócio do Big Data é criar um perfil de segmentação. Temos como exemplo dois perfis de consumidores: ABC Paulista, prédio de apartamentos de classe média, uma porta em frente a outra em determinado andar. De um lado um professor universitário e outro torneiro mecânico – o salario é o mesmo. O professor universitário é casado, sem filhos. O torneiro mecânico é casado e com três filhos. Eles vão ao mercado: enquanto um compra cesta básica, pacotes de cinco quilos de arroz, latas de óleo, carne bovina, o outro, só ele e a mulher, compra comida pronta, congelados, etc. O mercado que atendeu os dois envia jornaizinhos iguais para ambos. Errou na comunicação. O Big Data há de corrigir isso. Na era da comunicação em massa, os dois vêem o mesmo anúncio na televisão e lêem o mesmo jornalzinho. O mercado desperdiçou dinheiro na comunicação. Apesar de terem a mesma idade e a mesma renda, eles deveriam receber comunicações diferentes. Antes se segmentava desta maneira: onde mora, quanto ganha e etc. Isso acabou.”
O Walmart investe em inovações com potencial de mudar e melhorar a forma com
que seus clientes realizam compras, e exceder suas expectativas é sua meta
permanente.
Em 2016 seus maiores investimentos foram tecnologia (em especial uso do Big
Data) e em pessoas com competência para trabalhar com esta tecnologia.
3.6.2. Proposição 2: Uma empresa que deseja usar o Big Data de forma assertiva deve prover mudanças em sua cultura.
Na condução da entrevista com o consultor, foi falado sobre o avanço do uso do Big
Data no mundo, já que estima-se que o Brasil está seguindo os Estados Unidos em
uma distância de pelo menos cinco anos; a América do Norte concentra mais da
metade do mercado de Big Data e a tendência é de se manter pioneira nos próximos
anos, enquanto a Ásia possui o maior crescimento do mercado (ZUPPO; COSTA;
FERNANDES, 2013). Falando sobre a situação brasileira no uso de tecnologia,
Pastore afirma que:
“O que falta no Brasil é a visão. Há tecnologia disponível a baixo custo. Não é falta de recurso financeiro. O Brasil é a maior delegação estrangeira na NRF10, mas quando volta pra casa não consegue aplicar. O empresário
10 NRF Big Show: National Retail Federation Big Show é a maior convenção sobre varejo do mundo. Acontece há 106 anos em Nova Iorque. Fonte: http://nrfbigshow.nrf.com/about. Acesso em 25 out 2016.
77
também não encara essa transformação digital como oportunidade de vantagem competitiva.”
No Walmart, a condução dos negócios está sempre a frente. De acordo com o
diretor executivo Doug McMillon, para o Walmart o varejo não é mais apenas colocar
itens em uma prateleira; o Walmart está se movendo para além da venda de
produtos para se tornar uma marca que será lembrada pelo cliente como a solução
para tornar sua vida mais simples e mais econômica financeiramente.
3.6.3. Proposição 3: O uso das informações coletadas de clientes deve ser realizado cautelosamente em prol do bom relacionamento e confiança do consumidor.
No Walmart, há uma preocupação latente em garantir a segurança de seus dados,
e, por isso, possui uma equipe que busca a conformidade dentre os parceiros que
recebem os dados de seus clientes.
Para Pastore, o Big Data é uma das soluções para a segmentação correta dos
clientes e, dessa forma, a abordagem correta fortalece o relacionamento e a
confiança do cliente.
3.6.4. Proposição 4: O uso do Big Data no varejo tem grande potencial no mundo todo.
Não apenas no mundo online é possível o uso de dados. Fala-se muito em uso de
Big Data nas vendas online. Entretanto, há disponível inúmeras ferramentas de
geração de dados nas lojas físicas. Foi pedido ao entrevistado que fizesse um
comentário sobre a extrapolação do uso de Big Data em varejistas multicanais.
“A loja física está incorporando novos conhecimentos gerados no online. Antes era o contrário, o online se alimentou do que era praticado pela loja física. Depois de mais de vinte anos de e-commerce, ele já faz uma série de coisas e olha para uma loja física se perguntando por que a loja física não faz isso ainda. Começaram a surgir novas empresas de tecnologia e aplicativos para loja física. Você passa pela loja e tem um contador de
78
fluxo, mas não do tipo tradicional [...], e sim com câmeras conectadas a softwares que acompanham o seu trajeto e tudo isso vira dado. O Big Data é consequência dessa explosão de dados. Juntando todos os dados, é traçado um perfil; então você não precisa se cadastrar, entrar no site, nada disso. A loja não tem o seu nome e RG, mas só de fazer a sua leitura facial, ele entende a sua idade com uma margem de erro relativamente baixa (de três a cinco anos de diferença), seu gênero é identificado na entrada através do porte físico, seu estado de humor e seu percurso. No final do dia formou uma base de dados razoável [...].
No momento atual, temos uma empresa chamada Seed Digital que usa câmeras. Outras empresas usam o beacon digital também [...].
Está prestes a ser possível recebermos ordens do sistema. O gerente [...] recebe em seu smartphone uma ordem de abaixar o preço, fazer isso e aquilo. No Brasil é pequeno, mas tem.”
Beacon é um dispositivo móvel que emite sinais via bluetooth low energy com
informações sobre localização em espaços fechados. Quando um cliente possui o
aplicativo de determinada loja instalado em seu smartphone, com o bluetooth
ativado, o beacon envia notificações sobre promoções, informações, estoque,
modelos disponíveis e etc. ao usuário. Além disso, o varejista pode acompanhar o
trajeto do cliente dentro do estabelecimento (ENDEAVOR BRASIL, 2015). A figura
23 ilustra o dispositivo.
Figura 23 - Beacon
Fonte: ENDEAVOR BRASIL, 2015.
A empresa Seed Digital, citada pelo entrevistado, faz análise de padrões de
consumo em lojas físicas através de tecnologias de monitoramento. A partir do uso
de sensores instalados em pontos estratégicos das lojas, é possível contar o número
de visitantes e horários, assim como seu perfil, analisar as filas de atendimento,
79
otimizar o leiaute das lojas e identificar o real impacto da comunicação e vitrine. Os
dados capturados são analisados ao cruzar com informações climáticas, fatores
regionais, traçando estratégias que consideram, por exemplo, a performance com
base no clima (sol e chuva), trânsito, tempo de permanência na loja, variação de
vendas, entre outros (SEED DIGITAL, 2016).
O Walmart recolhe 2,5 petabytes de dados por hora e o investimento em tratamento
de dados é anunciado anualmente, provando que há muito a ser analisado. Além
disso, o presente estudo mostra que o uso dos dados não é igual para as unidades
nos diversos países de atuação, tais como o Brasil.
3.6.5. Com o melhor atendimento ao cliente, verifica-se que os benefícios encontrados com a automação dos processos, uso de tecnologia, agilidade e maior oferta de produtos são caminhos acertados para a criação de valor para o cliente.
O entrevistado foi questionado sobre como o Big Data pode colaborar nas atividades
de marketing que visam criar valor ou aumentar o valor percebido pelos clientes e
por isso ele opta por discutir o quesito valor:
“Em primeiro lugar é preciso identificar o que é valor para o consumidor [...]. Essa nova estratégia visa valorizar não só consumidor, mas o ser humano. Eu dou o exemplo assim: você vai ao Walmart e compra uma bicicleta, vai ter uma pilha de bicicletas, você vai escolher o seu modelo, colocar no carrinho, ir ao caixa e pronto. Em lojas especializadas em bikes que começam a surgir por aí [...], as vezes a bicicleta é a mesma, configuração pode ser muito próxima, até o preço, mas essa loja especializada está preocupada em criar uma cultura do ciclismo, o que você vai fazer com a bicicleta, então ele te proporcionam acesso a grupos, ‘night bikers’11, ou bota a bicicleta no carro e vai para não sei aonde com o pessoal, enfim, você vai ter um enriquecimento do seu estilo de vida, vai adquirir novos hábitos e conhecer novas pessoas. A bicicleta é a mesma, mudou a percepção de valor. Num lugar, é apenas um produto, em outro é acesso a uma nova cultura, etc.”
Depois da descrição da diferença na compra de uma bicicleta em um varejista não-
especializado e em um varejista especializado, o entrevistado conclui o raciocínio
explicando a construção de valor ao cliente:
11 Grupo de ciclistas que se encontram à noite na cidade de São Paulo-SP para passear com suas bicicletas. Fonte: http://www.nightbikers.com/bicicleta/p_historia.htm. Acesso em: 25 out 2016.
80
“Então eu começo a entender que a percepção de valor passa por isso, passa por agregar uma série de valores intangíveis os quais serão selecionados pelo varejista, que passa a ser o curador e você, como consumidora, vai se identificar com isso pois você não está apenas querendo comprar uma bicicleta, você que mudar a qualidade de vida, lazer, saúde, etc. Consequentemente, precisa ter informação para trabalhar e aí que entra a tecnologia”.
Para o entrevistado, o uso do caso do Walmart é acertado pois esta companhia
investe cifras milionárias em tecnologia, e descreve o impacto para os concorrentes,
em especial pequenos concorrentes. Entretanto, a Amazon.com é uma das maiores
concorrentes do Walmart e vem em contínuo crescimento; analistas preveem que a
Amazon.com conterá mais de 85% de todos os produtos disponíveis nos maiores
varejistas a melhores preços, melhores condições de pagamento e mais formas de
entrega (INTERBRAND, 2014).
“(Walmart) Eles estão bem adiantados [...] quando tem avanço tecnológico, estamos vivendo uma transação digital, ocorre uma concentração muito grande de renda. O Walmart, que já é um gigante e tem capacidade de investimento, avança neste nível, suga recursos dos pequenos que não tem esse grau de desenvolvimento”
Desta forma, tendo o Walmart como prioridade a criação de valor ao cliente através
da tecnologia, os resultados registrados mostram que as reclamações recebidas na
unidade brasileira caíram 24% entre os anos de 2014 e 2015 a partir do investimento
em tecnologia para tornar o tratamento de reclamações no Procon mais ágil, no
aumento das interações nas redes sociais e criação do Guia Prático do Código de
Defesa do Consumidor.
81
CONSIDERAÇÕES FINAIS
O relacionamento dos varejistas com seus clientes vêm sofrendo mutação há
décadas e muito provavelmente a estrutura que nos encontramos hoje não será a
mesma no longo prazo.
O consumidor possui maior poder e deseja participar mais ativamente não apenas
do processo de criação de produtos, mas também quer fazer parte das decisões das
empresas. A co-criação se tornou um caminho escolhido pelas empresas para dar
ao consumidor o poder que este almeja. O consumidor de hoje não quer mais ser
um mero receptor de comunicação, ele quer ser um emissor de informação (ACAR e
PUNTONI, 2016; FUCHS; PRANDELLI; SCHREIRER, 2010; SALVADOR, AKEMI ;
CRESCITELLI, 2015) e está cada vez mais acessível para recebimento e difusão de
informação a qualquer hora.
O setor supermercadista é rico em informações: a frequência de contato com seus
clientes é maior do que qualquer outro setor varejista. Desta forma, se seus dados
armazenados forem administrados e analisados corretamente, o relacionamento
com seus clientes será fortalecido, gerando valor para a empresa e melhorando seu
desempenho.
Essa massa de dados gerada nos inúmeros pontos de interação empresa-cliente é
chamada de Big Data, e não apenas no varejo como em qualquer outro setor da
economia, é um recurso valioso para empresas. Davenport (2014) resume o
conceito de Big Data ao afirmar que Big Data são dados grandes demais para
caberem em um único servidor, não-estruturados demais para serem administrados
em bancos de dados tradicionais ou fluidos demais para serem armazenados em um
data warehouse estático.
Com o objetivo de verificar como o uso do Big Data pode contribuir na percepção de
valor no varejo, este trabalho buscou entender o processo de construção de valor ao
cliente e averiguar como o Walmart trabalha este quesito com o uso de Big Data,
através de um estudo de caso.
A partir de uma análise do que foi já produzido acerca do tema e um levantamento
das atividades realizadas pelo Walmart, foi possível elencar cinco proposições para
discussão.
82
Através da triangulação dos dados foram identificadas ações do Walmart que vão de
encontro ao que foi postulado pela teoria. Utilizou-se de uma entrevista
semiestruturada com o consultor de varejo Ricardo Pastore para discutir o uso de
tecnologia no relacionamento com o consumidor e também o papel do Walmart no
varejo mundial. O Walmart e sua essência inovadora estimulou o varejo para este
atingir os níveis que se encontra hoje em dia: aceleração da produtividade e alta
competitividade.
O Walmart trabalha intensamente na construção de valor ao cliente através do Big
Data com o intuito e melhorar, constantemente, a experiência de compra. Para o
Walmart, não é importante apenas saber o que o cliente precisa ou quer, e sim
quando e como querem experimentar.
Para Davenport (2014), o Big Data transforma a tecnologia e a cultura das
organizações e para isso é vital a conexão das equipes de analistas de dados com
as equipes que tomam as decisões para que o investimento na estrutura necessária
para análise e uso dos dados disponíveis seja válido. Portanto, mudança na cultura
da empresa, passando por gestão de recursos e de pessoas é imperativo.
No varejo, são diversos os pontos de interação entre empresa e cliente e melhorá-
los constantemente é o problema número um dos varejistas (Leibowitz, Ungerman e
Masri, 2012). A partir daí verifica-se que o momento de contato com o cliente deve
ser tratado com atenção, visto que o uso de dados pessoais é um ponto que
demanda cautela.
Muito se fala sobre o Big Data atualmente, mas estima-se que apenas 1% dos
dados armazenados são analisados (MAÇADA; BRINKHUES; FREITAS JR., 2015).
Conclui-se que há muito a ser feito ainda.
Estre trabalho aponta que há muitos benefícios ao se adotar o uso intenso de
tecnologia na análise de dados em prol da criação de valor ao cliente. Utilizando o
Big Data, o varejista pode elencar bons clientes, como e quem poderá se tornar um
cliente, quem são os clientes que estão com o concorrente ou que migraram para
ele, analisar as compras e sugerir novas oportunidades, melhorar o sortimento das
lojas, e, então, oferecer uma experiência de compra que exceda as expectativas.
83
E é justamente isso que o Walmart têm feito nos últimos anos. Aprofundar o
conhecimento e o tratamento dos dados em busca de soluções se tornou sua
prioridade, e o Big Data hoje faz parte de sua essência.
Como contribuição para a academia, este trabalho oferece sugestões quanto ao uso
de tecnologia de administração de bancos de dados, provando resultados positivos
reportados pelo Walmart, além de oferecer insights para tomadores de decisão.
Estudos futuros com aprofundamento do uso de Big Data para o setor
supermercadista brasileiro com foco em lojas físicas são importantes para o
crescimento do setor.
Vale destacar que, como limitação, temos a reduzida informação sobre a operação
brasileira do Walmart, visto que não foi possível entrevistar os envolvidos.
84
REFERÊNCIAS BIBLIOGRÁFICAS
@WALMARTLABS. Innovation @Labs, 2016. Disponível em: <http://www.walmartlabs.com/innovation/labs/>. Acesso em: 16 set 2016. ______. Targeting @WalmartLabs, 2012. Disponível em: < http://www.walmartlabs.com/2012/11/targeting-walmartlabs/>. Acesso em: 13 nov 2016. ACAR, O.; PUNTONI, S. Customer Empowerment in The Digital Age. Journal of Advertising Research, 2016. AFONSO, C. W. A Confusão no Processo de Escolha do Consumidor. Tese de Doutorado em Administração de Empresas, FGV-SP, 2010. AGÊNCIA NACIONAL DE TELECOMUNICAÇÕES. Relatórios Consolidados de Dados. Disponível em: <http://www.anatel.gov.br/dados/index.php/2015-02-04-18-43-59/indicadores-de-2012-a-2014>. Acesso em: 3 jun 2016. ANDERSON, J.; RAINIE, L. The Future of Big Data. Pew Research Center, 2012. Disponível em: <http://www.pewinternet.org/2012/07/20/the-future-of-big-data/>. Acesso em: 25 ago 2016. ANGELONI, M. T. Elementos Intervenientes na Tomada de Decisão. Ci. Inf. v. 32, n.1, 17-22, jan/abr, 2003. ARAÚJO, M.; GONÇALVES, P.; BENEVUTO, F. Métodos Para Análise de Sentimentos no Twitter. In: WebMedia’13, Nov 5-8, 2013. BAPTISTA, S. G.; DA CUNHA, M. B. Estudo de Usuários: Visão Global dos Métodos de Coleta de Dados. Perspectivas em Ciência da Informação, v. 12, n.2, 168-184, mai/ago, 2007. BAYER, J.; TAILLARD, M. Story-driven Data Analysis. From Data to Action Harvard Business Publishing, 2014. Disponível em: < http://www.sas.com/content/dam/SAS/en_us/doc/whitepaper2/hbr-from-data-to-action-107218.pdf>. Acesso em: 29 set 2016. BONI, V.; QUARESMA, J. Aprendendo a Entrevistar: Como Fazer Entrevistas em Ciências Sociais. Revista Eletrônica dos Pós-Graduandos em Sociologia Política da UFSC v. 2, n. 1(3), jan-jul, 2005. BRETZKE, M. Database Marketing. Revista de Administração de Empresas 32(4), 1992. BROOKS, D. How Companies Learn Your Secrets. The New York Times Magazine, 2016. Disponível em: <http://www.nytimes.com/2012/02/19/magazine/shopping-habits.html?_r=0>. Acesso em: 18 out 2016.
85
BUCUTA, A. A Review of the Specific Characteristics of the Generation Y Consumer. In: INTERNACIONAL CONFERENCE MARKETING – FROM INFORMATION TO DECISION, 2015. CABRAL, M. Por Que o Walmart Não é Walmart no Brasil. Época Negócios, 2016. Disponível em: http://epocanegocios.globo.com/Empresa/noticia/2016/06/por-que-o-walmart-nao-e-walmart-no-brasil.html. Acesso em: 12 nov 2016. CALAZANS, A. T. S. Qualidade da Informação: Conceitos e Aplicações. TransInformação 20 (1): 29-45, jan/abr 2008. CERIBELI, H. B.; CERIBELI, R. F.; MIRLO, E. N. Implementando um programa de relacionamento com o cliente: um estudo de caso no varejo brasileiro. Revista de Estudos Sociais ano 12, n. 23, v. 1, 2010. CHAMIE, B. C.; IKEDA, A. A. O valor para o cliente no varejo. Brazilian Business Review v. 12, n. 2, 2015. CHEN, H.; CHIANG, R. H. L.; STOREY, V. C. Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly v. 36, n.4, dez 2012. CHIZZOTTI, A. Pesquisa qualitativa em ciências humanas e sociais. Petrópolis: Vozes, 2014. CLIFFORD, S. Redes Sociais Viram Termômetro de Consumo. Folha de São Paulo, 2012. Disponível em: <http://www1.folha.uol.com.br/fsp/newyorktimes/60467-redes-sociais-viram-termometro-do-consumo.shtml>. Acesso em: 16 set 2016. COSTA, C. B. S.; PRADO, P. H. M.; MANTOVANI, D.; KORELO, J. C.; NIADA, A. C. M.; SEMPREBOM, E. Investimento percebido, custo de resgate e tipo de recompensa na intenção de adesão a programas de fidelidade. BASE: Revista de Administração e Contabilidade da Unisinos. 11(3): 193-203, 2014. CRESWELL, J. Projeto de pesquisa: métodos qualitativo, quantitativo e misto 3. ed. Porto Alegre: Artmed, 2010. DALEY, J. Driven by Data. Entrepreneur v. 44 issue 1, jan 2016. DAVENPORT, T. H. Big Data no Trabalho: Derrubando Mitos e Descobrindo Oportunidades. Rio de Janeiro: Elsevier, 2014. ______; KIM, J. Dados Demais!: Como Desenvolver Habilidades Analíticas Para Resolver Problemas Complexos, Reduzir Riscos e Decidir Melhor. Rio de Janeiro: Elsevier, 2014. ______; PATIL, D. J. Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review, 2012. Disponível em: <https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century/>. Acesso em: 11 jul 2016.
86
DAWAR, N. Use Big Data to Create Value for Customers, Not Just Target Them. Harvard Business Review, 2016. DE MAURO, A.; GRECO, M.; GRIMALDI, M. What Is Big Data? A Consensual Definition and a Review of Key Research Topics. In: INTERNATIONAL CONFERENCE ON INTEGRATED INFORMATION, 2015. DE OLIVEIRA, V. M.; MARTINS, M. F.; VASCONCELOS, A. C. F. Entrevistas “Em Profundidade” na Pesquisa Qualitativa em Administração: Pistas Teóricas e Metodológicas. XV Simpósio de Administração da Produção, Logística e Operações Internacionais, 2012. DE PRATO, G.; SIMON, J. P. The Next Wave: “Big Data”?. Digiworld Economic Journal, n. 97, 1st Q, 2015. DEMCHENKO, Y.; GROSSO, P.; DE LAAT, C.; MEMBREY, P. Adressing Big Data Issues in Scientific Data Infraestructure. In: INTERNACIONAL CONFERENCE ON COLLABORATION TECHNOLOGIES AND SYSTEMS, 2013. DIAS, G. A.; VIEIRA, A. A. N. Big Data: Questões Éticas e Legais Emergentes. Ci. Inf. Brasília v. 42, n. 2, mai-ago, 2013. DOUGLASS, T. How LAB-415C is Changing The Way Customers Shop. Walmart Today, 2016. Disponível em <http://blog.walmart.com/innovation/20160428/how-lab-415-c-is-changing-the-way-customers-shop>. Acesso em: 20 set 2016. DRUCKER, P. The Coming of the New Organization. Harvard Business Review, jan/fev, 1988. ENDEAVOR BRASIL. Beacon: o GPS Que Ajuda Sua Marca a Localizar as Melhores Oportunidades, 2015. Disponível em: <https://endeavor.org.br/beacon/>. Acesso em: 25 out 2016. FANDERL, H. Don’t Let Data Paralysis Stand Between You And Your Costumers. From Data to Action Harvard Business Publishing, 2014. Disponível em: < http://www.sas.com/content/dam/SAS/en_us/doc/whitepaper2/hbr-from-data-to-action-107218.pdf>. Acesso em: 29 set 2016. FEIJÓ, B. V. Para os Cientistas de Dados Não Há Desemprego. Revista Exame, 2016. Disponível em: < http://exame.abril.com.br/ciencia/para-os-cientistas-de-dados-nao-ha-desemprego/>. Acesso em 12 nov 2016. FILHO, R. G. Com a palavra o supermercadista. Revista SuperHiper, v. 40, abril 2014. Disponível em: <http://abrasnet.com.br/edicoes-anteriores/Main.php?MagID=7&MagNo=143>. Acesso em: 28 abr 2016. FRANCISCO, E. R. A tendência do Big Data. GV Executivo v. 14, n. 2, jul-dez 2015.
87
FREITAS JR, J. C. S.; MAÇADA, A. C. G. Processo decisório no contexto de big data: estudo de caso em uma empresa do varejo. In: XVII SEMEAD, out 2014. FUCHS, C.; PRANDELLI, E.; SCHREIER, M. The Psychological Effects of Empowerment Strategies on Consumers’ Product Demand. Journal of Marketing v. 74, jan 2010. FULGONI, G. Big Data: Friend or Foe of Digital Advertising?. Journal of Advertising Research, dec, 2013. GANESH, J.; REYNOLDS, K. R.; LUCKETT, M.; POMIRLEANU, N. Online Shopper Motivations, and e-Store Attributes: An Examination of Online Patronage Behavior and Shopper Typologies. Journal of Retailing 68, 1, 2010. GARCIA, S. F. A.; GONZALEZ, S.; MAUAD, T. Análise do Comportamento de Compra de Três Segmentos de Consumidores no Supermercado. REMark – Revista Brasileira de Marketing v. 9, n. 1, p. 17-39, jan/abr, 2010. GHISI, F. A.; DA SILVA, A. L. Implantação do Efficient Consumer Response (ECR): Um Estudo Multicaso com Indústrias Atacadistas e Varejistas. RAC v. 10, n.3, jul/set 2006. GOMES JR., P. P. Big Data e o Consumo de Notícias nas Redes Sociais. Gestão e Desenvolvimento, Novo Hamburgo, Ano XII, v. 12, n.1, jan 2004. GOOGLE. The New Multi-Screen World: Understanding Cross-Platform Consumer Behavior. Disponível em: < https://ssl.gstatic.com/think/docs/the-new-multi-screen-world-study_research-studies.pdf>, 2012. Acesso em: 16 set 2016. GORDON, J.; GOYAL, M.; MCGUIRE, T.; SPILLECKE, D. Big Data & Advanced Analytics: Success Stories From The Front Lines. Big Data, Analytics, and the Future of Marketing & Sales. New York: McKinsey & Company, 2013. GRENSING-POPHAL, L. Using Big Data to Engage, Rather Than Enrage, Your Audiences. EContent Magazine, abril 2014. GUIDOLIN, S. M.; COSTA, A. C. R.; NUNES, B. F. Conectando indústria e consumidor: desafios do varejo brasileiro no mercado global. BNDES Setorial 30, 2009. HAYS, C. L. What Walmart Knows About Customers’ Habits. The New York Times, 2004. Disponível em: http://www.nytimes.com/2004/11/14/business/yourmoney/what-walmart-knows-about-customers-habits.html. Acesso em: 13 nov 2016. HE, W.; SHEN, J.; TIAN, X.; LI, Y.; AKULA, V.; YAN, G.; TAO, R. Gaining Competitive Intelligence From Social Media Data. Industrial & Management Data Systems v. 115, Iss 9, p. 1622-1636, 2015.
88
HERNANDEZ, J. M. C. Foi Bom Para Você? Uma Comparação do Valor Hedônico de Compras Feitas em Diferentes Tipos de Varejistas. RAM – Revista de Administração Mackenzie v. 10, n. 2, 2009. INSTITUTO BRASILEIRO DE DEFESA DO CONSUMIDOR. O Que É, 2016. Disponível em: <http://www.idec.org.br/o-idec/o-que-e>. Acesso em: 31 mai 2016. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Relatórios Metodológicos - volume 12 - 2a edição, 2000. Disponível em: <http://servicodados.ibge.gov.br/Download/Download.ashx?http=1&u=biblioteca.ibge.gov.br/visualizacao/livros/liv7052.pdf>. Acesso em: 28 abr 2016. ______. Pesquisa anual do comércio – volume 25, 2013. Disponível em: <http://biblioteca.ibge.gov.br/visualizacao/periodicos/55/pac_2013_v25.pdf>. Acesso em: 28 abr 2016. ______. Séries Históricas Estatísticas, 2016. Disponível em: <http://seriesestatisticas.ibge.gov.br/lista_tema.aspx?op=0&no=6>. Acesso em: 3 jun 2016. IBM. What is big data? , 2016. Disponível em: <http://www-01.ibm.com/software/data/bigdata/what-is-big-data.html>. Acesso em: 19 jul 2016. IBM Software. Who’s Afraid of the Big (data) Wolf? Thought Leadership White Paper, 2013. IBOPE. A crise econômica e o empoderamento do consumidor: como as marcas podem sobreviver e quais as tendências em evidência neste cenário. Disponível em: <http://ibopeinteligencia.com/noticias-e-pesquisas/a-crise-economica-e-o-empoderamento-do-consumidor-como-as-marcas-podem-sobreviver-e-quais-as-tendencias-em-evidencia-neste-cenario/>, 2016. Acesso em: 1 jun 2016. IBOPE INTELIGÊNCIA. Institucional. Disponível em: <http://ibopeinteligencia.com/institucional/ibope-inteligencia/>, 2016. Acesso em: 1 jun 2016. INBENTA. Clientes. Disponível em: < https://www.inbenta.com/pt/clientes>. Acesso em 31 out 2016. INTERBRAND. Best Retail Brands 2014. Disponível em: <http://interbrand.com/wp-content/uploads/2015/08/Interbrand-Best-Retail-Brands-2014-3.pdf>, 2014. Acesso em: 15 set 2016. ______. Marcas Brasileiras Mais Valiosas 2014. Disponível em: < http://interbrand.com/wp-content/uploads/2015/08/Interbrand-Best-Brazilian-Brands-2014.pdf>, 2014a. Acesso em: 25 out 2016. ISTOÉ DINHEIRO. Walmart Enxerga o Futuro, 2013. Disponível em: < http://www.istoedinheiro.com.br/noticias/mercado-digital/20130712/walmart-enxerga-futuro/4872.shtml>. Acesso em: 13 nov 2016.
89
KLIE, L. Walmart’s Omnichannel Strategy Keeps It On Top. Customer Relationship Management, July 2014. LANEY, D. 3D Data Management: Controlling Data Volume, Velocity, and Variety. Application Delivery Strategies META Group, 2001. Disponível em: < https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf>. Acesso em: 27 set 2016. LABRECQUE, L. I.; ESCHE, J.; MATHWICK, C.; NOVAK, T. P.; HOFACKER, C. Consumer power: evolution in the digital age. Journal of Interactive Marketing 27, 257-269, 2013. LEIBOWITZ, J.; URGERMAN, K.; MASRI, M. Know Your Customers Wherever They Are. Big Data, Analytics, and The Future Of Marketing & Sales. New York: Mackinsey& Company, 2013. LEVY, M.; GREWAL, D.; PETERSON, R. A.; CONNOLLY, B. The Concept of the “Big Middle”. Journal of Retailing 81, 2, 2005. LIMA, C. A. R.; CALAZANS, J. H. C. Pegadas digitais: “big data” e informação estratégica sobre o consumidor. In: SIMPÓSIO EM TECNOLOGIAS DIGITAIS E SOCIABILIDADE. Salvador, 2013. MAÇADA, A. C. G.; BRINKHUES, R. A.; FREITAS JR, J. C. Big Data e as Capacidades de Gestão da Informação. Revista Eletrônica de Jornalismo Científico, jul 2015. MALHOTRA, N. K. Introdução à pesquisa de marketing. São Paulo: Pearson Prentice Hall, 2005. MANYIKA, J.; CHUI, M.; BROWN, B.; BUGHIN, J.; ROXBURGH, C.; BYERS, A. H. Big Data: The Next Frontier For Innovation, Competition, and Productivity. McKinsey Global Institute, mai 2011. MARR, B. Big Data, Walmart And The Future of Retail. LinkedIn.com, 2015. Disponível em: < https://www.linkedin.com/pulse/big-data-walmart-future-retail-bernard-marr>. Acesso em: 13 nov 2016. MASSON, E. T. S.; SANTOS, N. M. S.; CALAZANS, A. T. S.; NEHME, C. C.; MORESI, E. D. A relação entre a gestão do conhecimento do cliente e a inovação tecnológica. In: XI SIMPÓSIO DE EXCELÊNCIA EM GESTÃO E TECNOLOGIA, 2014. MAYER-SCHÖNBERGER, V.; CUKIER, K. Big Data: A Revolution That Will Transform How We Live, Work and Think. Boston: Houghton Mifflin Hartcourt Publishing Company, 2013. MCAFFE, A.; BRYNJOLFSSON, E. Big Data: The Management Revolution. Harvard Business Review, October 2012.
90
MELO, L. As 50 Maiores Varejistas do Brasil em Faturamento em 2015. Portal Exame.com. Disponível em: http://exame.abril.com.br/negocios/as-50-maiores-varejistas-do-brasil-em-faturamento-em-2015/. Acesso em: 12 nov 2016. MONTEIRO, P. R. R. Percursos, oportunidades e desafios para a modelagem em marketing na era do big data. Revista Interdisciplinar de Marketing v.5, n.1, p. 102-108, Jan-Jun, 2015. NEWELL, F. Loyalty.com. Nova Iorque: McGraw-Hill, 2000. NIELSEN. Mudanças no Mercado Brasileiro 2016. Disponível em: <http://www.nielsen.com/content/dam/corporate/Brasil/reports/2016/Paper-MMB2016.pdf>. Acesso em: 13 jun 2016. NOGUEIRA, A. M. Teoria Geral da Administração para o Século XXI. São Paulo: Ática, 2007. OLETO, R. R. Percepção da Qualidade da Informação. Ci. Inf., Brasília, v. 35, n. 1, p. 57-62, jan./abr. 2006 O´REILLY, K.; PAPER, D. Want Value from Big Data? Close the Gap Between the C-Suit and the Server Room. JITCAR v. 14, n. 4, 2012. PARISER, E. Tenha cuidado com os “filtros-bolha” online. TED, 2011. Disponível em: < https://www.ted.com/talks/eli_pariser_beware_online_filter_bubbles?language=pt-br#t-283998>. Acesso em 25 ago 2011. PETER, J. P.; OLSON, J. C. Comportamento do consumidor e estratégia de marketing, 8a edição. São Paulo: McGraw-Hill, 2009. PHILLIPS, P. What Digital Means to Retail. Interbrand Best Retail Brands, 2014. PLACECAST, Placecast’s Geofence Mobile Marketing By The Numbers. Placecast ShopAlerts Internal Data, 2012. ______. A Few Of Our Clients, 2016. Disponível em: http://placecast.net/index.html. Acesso em: 30 out 2016. ______. Mobile Alerts Drive Traffic to Retail Stores Case Study, 2016a. Disponível em: http://placecast.net/docs/research_casestudy_retail.pdf. Acesso em: 30 out 2016. PODESTA, J.; PRITZKER, P.; MONIZ, E. J.; HOLDREN, J.; ZIENTS, J. Big Data: Seizing Opportunities, Preserving Values. The White House, 2014. Disponível em: < https://www.whitehouse.gov/sites/default/files/docs/big_data_privacy_report_may_1_2014.pdf>. Acesso em: 25 ago 2016.
91
RIBEIRO, C. J. S. Big Data: os Novos Desafios para o Profissional da Informação. Informação & Tecnologia, jan/jun, 2014. RICARDO PASTORE. Bio, 2016. Disponível em: < http://www.ricardopastore.com.br/sobre-nos/>. Acesso em: 21 out 2016. RIJIMENAM, M. Walmart Is Making Big Data Part Of Its DNA. Datafloq, 2016. Disponível em: < https://datafloq.com/read/walmart-making-big-data-part-dna/509>. Acesso em: 16 set 2016. SALEH, K.; SHUKAIRY, A. Otimização de Conversão. São Paulo: Novatec Editora, 2011. SALVADOR, A. B. O uso das informações de big data na gestão de crise de marca. Dissertação (Mestrado em Administração de Empresas) - Universidade de São Paulo, 2015. ______; IKEDA, A. A. Big Data na Gestão de Crise de Marca: Um Ensaio Exploratório. RIMAR – Revista Interdisciplinar de Marketing v. 5, n. 1, jan/jun, 2015. ______; IKEDA, A. A.; CRESCITELLI, E. O Impacto de um Recall na Gestão de Marca: um Estudo Exploratório. Revista de Gestão e Contabilidade da UFPI, 2015. SANTAELLA, L.; GALA, A.; POLICARPO, C.; GAZONI, R. Desvelando a Internet das Coisas. Revista Geminis, ano 4, n. 2, v. 1, 2013. SAPIRO, A. Inteligência Empresarial: a Revolução Informacional da Ação Competitiva. Revista de Administração de Empresas, 33 (3): 106-124, mai/jun 1993. SARACEVIC, T. Ciência da Informação: origem, evolução e relações. Perspec. Ci. Inf. v. 1, n. 1, 41-62, jan/jun, 1996. SAS INSTITUTE INC. Data Mining From A to Z: How to Discover Insights and Drive Better Opportunities. White Paper, 2016. SCHAWB, E. A. As Relações Entre Confiança, Valor e Lealdade: Um Estudo Qualitativo. Dissertação de Mestrado PUC-RS. Porto Alegre, 2009. SCHMARZO, B. Big Data MBA. Indianapolis, Indiana (EUA): John Wiley & Sons Inc., 2016. SEED DIGITAL. O que Fazemos, 2016. Disponível em: < http://www.seeddigital.com.br/o-que-fazemos/>. Acesso em: 25 out 2016. SERVIÇO BRASILEIRO DE APOIO ÀS MICRO E PEQUENAS EMPRESAS. Estudo setorial minimercados – Série Estudos Mercadológicos, 2014. Disponível em: <http://www.bibliotecas.sebrae.com.br/chronus/ARQUIVOS_CHRONUS/bds/bds.nsf/f13ac879fd41fb681fa620399520b42c/$File/4774.pdf>. Acesso em: 29 abr 2016.
92
SILVEIRA, M.; MARCOLIN, C. B.; FREITAS, H. M. R. Uso Corporativo do Big Data: Uma Revisão de Literatura. Revista de Gestão e Projetos v. 6, n. 3, set-dez, 2015. SRINIVASAN, S. S.; ANDERSON, R.; PONNAVOLU, K. Customer Loyalty in E-Commerce: An Exploration of its Antecedents and Consequences. Journal of Retailing 78, 2002. SWEENEY, J. C.; SOUTAR, G. N.; JOHNSON, L. W. The Role of Perceived Risk in the Quality-Value Relationship: A Study in a Retail Environment. Journal of Retailing v. 15(1), pp.77-105, 1999. THE ECONOMIST INTELLIGENTE UNIT LIMITED. The Data Storm – Retail And The Big Data Revolution, 2013. Disponível em: <http://www.wipro.com/microsite/retail-big-data-revolution/docs/the-data-storm-retail-and-the-big-data-revolution.pdf>. Acesso em: 31 out 2016. UNITED STATES CENSUS BUREAU. QuickFacts Bergen County, NY, 2015. Disponível em: < http://www.census.gov/quickfacts/table/PST045215/34003>. Acesso em: 16 set 2016. VELUDO-DE-OLIVERIA, T. M.; IKEDA, A. A. O Conceito de Valor Para o Cliente: Definições e Implicações Gerenciais em Marketing. Revista Eletrônica de Gestão Organizacional v. 3, n. 1, jan/abr, 2005. VIAENE, S. Data Scientists Aren’t Domain Experts. IT PRO Nov/Dec 2013. WALMART. Our History, 2016. Disponível em: < http://corporate.walmart.com/our-story/our-history>. Acesso em: 19 out 2016. ______. Walmart Privacy Policy, 2015. Disponível em: <http://corporate.walmart.com/policies/walmart-privacy-policy>. Acesso em: 13 nov 2016. WALMART BRASIL. Walmart Fortalece Mix Exclusivo e Preço Baixo Nas Ações de Marketing, 2016. Disponível em: < http://www.walmartbrasil.com.br/noticias/walmart-fortalece-mix-exclusivo-e-preco-baixo-nas-acoes-de-marketing/>. Acesso em: 19 out 2016. ______. Missão e Valores, 2016a. Disponível em: < http://www.walmartbrasil.com.br/sobre/missao-e-valores/>. Acesso em 19 out 2016. ______. Relatório de Sustentabilidade, 2015. Disponível em: <http://www.walmartbrasil.com.br/relatorio-anual-2015/pt/index.htm>. Acesso em 12 nov 2016. ______. Relatório de Sustentabilidade, 2016b. Disponível em: < http://www.walmartbrasil.com.br/wm/wp-content/uploads/2016/08/Walmart-Relatório-de-Sustentabilidade-2016.pdf>. Acesso em: 19 out 2016.
93
______. Home, 2016c. Disponível em: < https://www.walmart.com.br>. Acesso em 12 nov 2016. WALMART CORPORATE, 2016. Disponível em: <http://corporate.walmart.com/our-story/our-business>. Acesso em: 26 out 2016. WALMART TODAY. Walmart Will Accelerate Investments in E-commerce and Moderate Global Square Footage Growth, 2014. Disponível em: <http://corporate.walmart.com/_news_/news-archive/2014/10/15/walmart-will-accelerate-investments-in-e-commerce-and-moderate-global-square-footage-growth>. Acesso em 20 set 2016. ______. What Is Seamless Shopping? Q&A With CEO Doug McMillon, 2016. Disponível em: <http://blog.walmart.com/business/20160420/what-is-seamless-shopping-q-a-with-ceo-doug-mcmillon>. Acesso em: 20 set 2016. WAL-MART STORES INC. Fourth Quarter Fiscal Year 2016 Earnings Call, 2016. Disponível em: http://s2.q4cdn.com/056532643/files/doc_financials/2016/Q4/Q4-FY16-Consolidated-transcript-final.pdf. Acesso em: 20 out 2016. WILLIAMS-SONOMA. About us. Disponível em: http://www.williams-sonoma.com/customer-service/about-us.html?cm_type=fnav. Acesso em: 31 out 2016. YEE, L.; PATEL, J. Simplify Big Data – Or It’ll Be Useless For Sales. Big Data, Analytics, and the Future of Marketing & Sales. New York: McKinsey & Company, 2012. ZIKOPOULOS, P.; DeROOS, D.; BIENKO, C.; BUGLIO, R.; ANDREWS, M. Big Data Beyond the Hype. McGraw-Hill Education, 2015. ZUPPO, D.; COSTA, L. S.; FERNANDES, S. Big Data: Estudo do Ambiente, Desafios e Análise Estratégica Para o Brasil. Trabalho de Conclusão de Pós-Graduação UFRJ, 2013.