Logo E-Commerce Brasil

Análise de dados do e-commerce: indo além do analytics

Muitos profissionais que trabalham com e-commerce não sabem o potencial que as análises de dados podem proporcionar ao negócio. Neste artigo, vou falar um pouco sobre como fazer algumas análises simples de dados relacionados com e-commerce que vão além do básico fornecido por soluções do tipo Analytics e que podem abrir novas oportunidades, identificar problemas e fornecer informações úteis para a gestão do e-commerce.

Um e-commerce, seja ele uma loja que vende produtos, serviços, bens ou qualquer outra “mercadoria”, possui uma tendência a gerar muitos dados relacionados com as operações realizadas.

Esses dados podem ser transformados em informações através de diversos tipos de análise, sendo que a mais comum é aquela fornecida pelas ferramentas da própria plataforma utilizada.

Nesse caso, estamos falando de ferramentas de Analytics que vão indicar dados como visitas na página, tempo de permanência, horas de acesso e outros dados estatísticos gerais.

Apesar de essas informações serem importantes e geralmente fornecidas automaticamente, muitos outros tipos de dados podem ser utilizados para análises simples e um pouco diferentes.

De fato, diversos profissionais já possuem esses dados e não sabem nem como começar a fazer essas análises. Com base nesse contexto, este artigo vai citar alguns tipos de análises simples que podem ser feitas com software livre, serviços SaaS, um pouco de programação e muita força de vontade.

1) Tag cloud de comentários

Figura1_TagCloud

 

Muitos sites de e-commerce permitem que o cliente forneça comentários sobre o produto ou dê sua opinião sobre o serviço, seja diretamente no site ou por e-mail de fale conosco, SAC ou outro canal.

Mesmo com aqueles que não permitem tal conversa com os clientes é possível obter um termômetro qualitativo a partir de sites de reclamações como o Reclame Aqui e similares. Esses importantes dados qualitativos muitas vezes são ignorados por ferramentas de Analytics.

Uma abordagem simples, que pode ajudar a ver de forma agrupada qual é a “opinião” em relação a um produto, é a criação de uma Tag Cloud. Basta agrupar todo o texto de comentários, e-mails, tweets e outras origens e criar uma Tag Cloud por produto, por exemplo.

Isso já vai mostrar de forma qualitativa como é a visão dos usuários daquele produto. Fazer uma Tag Cloud atualmente é simples, e sites como o Tag Crowd permitem experimentar esse tipo de análise sem nenhum custo.

Pode ser necessário um pouco de ajuste, como descobrir palavras que devem ser excluídas, mas uma vez que o processo de geração de Tag Cloud seja automatizado e feito de forma periódica é possível ver de forma simples e compacta informações importantes.

2) Agrupamento de clientes

Praticamente toda loja virtual possui em seu backend um banco de dados modelado com o clássico relacionamento pai-filho (parent-child) com tabelas de Clientes, Pedidos, Itens de pedidos, Produtos ou alguma variação dessas entidades.

Figura2_ModeloClassico

Os dados armazenados nesse tipo de estrutura representam uma verdadeira mina de ouro esperando o garimpo. Contudo, muitas pessoas não sabem por onde começar a analisar os dados organizados desse jeito e, por isso, deixam passar muitas oportunidades.

Além dos clássicos relatórios separados por clientes, data, produtos e outros tipos de critérios, é possível realizar várias análises nesses dados que podem fornecer muitas informações relacionadas aos perfis de clientes, produtos, vendas e outros.

E com essas informações abrem-se novas oportunidades que podem trazer muitos benefícios para o e-commerce. Um tipo simples de análise que pode ser feito na estrutura clássica de relacionamento de Clientes, Produtos e Pedidos é o agrupamento automático de clientes.

Esse agrupamento pode permitir identificar perfis de clientes, como clientes Bronze, Prata e Ouro, de acordo com a quantidade de pedidos e o quanto foi gasto neles.

Figura3

Já escrevi sobre esse exemplo, mostrando como é relativamente simples fazer essa classificação para dados nesse formato com SQL. Com essa segmentação, talvez seja possível nortear ações de marketing de acordo com o perfil de cada cliente, independentemente do tamanho do e-commerce, do volume de vendas ou mesmo do tipo de produto comercializado.

3) Itens comprados juntos

Em muitos sites de comércio virtual, é quase uma regra que o cliente compra mais do que um item por vez. Se considerarmos o relacionamento clássico de Clientes, Produtos e Pedidos descrito no item anterior, pode-se realizar a famosa identificação de qual item é comprado no “combo”, ou seja, quais produtos são levados ou colocados no carrinho junto.

Figura4_ItensetMining

 

Esse tipo de análise já é bem antiga, mas ainda é relativamente raro ver sites de e-commerce fazendo esse tipo de análise, sobretudo aqueles de tamanho pequeno ou médio. Bem, também já escrevi como é simples produzir esse tipo de análise para bases de dados não muito grandes com a linguagem SQL.

Basta apenas vontade e um pouco de perseverança para montar as regras de associação e começar a tirar conclusões delas considerando o conhecimento do negócio. Esse conceito de obtenção de regras de associação também pode ser aproveitado para outra fonte de dados riquíssima e que raramente é analisada a fundo: o histórico de navegação nas páginas do e-commerce por usuário.

Em geral, as ferramentas de Analytics fornecem dados estatísticos básicos sobre esse histórico de navegação e não se aprofundam em perfis de clientes. Com a mineração de regras de associação do histórico de navegação dos usuários, pode ser possível, por exemplo, detectar que uma boa porcentagem dos usuários sempre clica em uma página específica com informações institucionais da empresa antes de fechar o pedido.

Talvez com essa informação seja possível simplificar a página de fechamento de pedido e já incluir detalhes institucionais no momento da conclusão para evitar que o usuário visite a página institucional e volte para a página de fechar o pedido.

4) Onde estão meus clientes?

Muitas empresas de e-commerce não fazem nenhum tipo de análise baseada na posição geográfica de seus clientes de clientes. Mais uma vez, esse tipo de dado é básico no relacionamento Cliente, Produtos e Pedidos armazenado em um banco de dados.

Figura5_MapaClientes

 

Existem muitas soluções avançadas para GIS e afins no mercado, mas para quem está começando basta montar um mapa simples (e de forma gratuita) com o Google Charts, colocando os famosos pins nos locais de residência dos clientes.

Sério, é muito simples montar um mapa com o Google Charts, que roda direito no browser e requer apenas algumas poucas linhas de código em JavaScript! Esse tipo de análise já pode dar alguma pista sobre regiões e divulgações locais entre os consumidores.

Sem contar que a visualização pode guiar o local de ações de marketing físicas que possuem o potencial de alavancar as vendas em certos locais que concentram consumidores potenciais.

5) Analisando as vendas com séries temporais

FIgura6_TimeSeriesRetail

 

Séries temporais (ou Time Series) são basicamente gráficos de linha nos quais os valores do eixo X representam datas ou períodos de tempo. Esse tipo de dado é muito utilizado em diversos locais, com destaque para a análise de variação dos valores das ações negociadas na bolsa de valores. A análise de séries temporais se concentra muito em sazonalidade e tendência, mas é possível descobrir várias informações importantes com esse tipo de dado.

Figura7_TiposSerieTemporal

 

Como esses dados são muito estudados, existem diversas análises e algoritmos que podem ser aplicados. Já comentei um pouco sobre isso em um artigo que fala sobre previsão de séries temporais, mas há muito que pode ser feito com esse tipo de dado que também pode ser obtido a partir das estruturas de dados do relacionamento Clientes, Pedidos e Produtos.

Por exemplo: que tal montar um gráfico de vendas por mês e identificar quais são os períodos “similares” com letras para depois analisar a frequência desses períodos? O algoritmo SAX é algo que pode ajudar a identificar períodos comuns em séries temporais, como mostra a figura abaixo.

Figura8_sax

6) Convergência e funil

Figura9_Conversion-Rate-Optimization-Funnel

 

A análise de convergência em um site de e-commerce pode ajudar a identificar onde estão os gargalos de navegação e quais são as barreiras para a conclusão da compra.

Geralmente, esse tipo de análise considera a quantidade total de visitas (considerada 100%) e vai apresentando eventos que vão diminuindo essa quantidade. Por exemplo: é possível identificar que dos 100% das visitas no site 70% colocam itens no carrinho, 50% (destes últimos 70%) vão até a página de pagamento e 35% (dos 50%) cancelam a compra no momento do pagamento.

Assim como a geração de mapas, é possível utilizar algumas opções para gerar os gráficos de funil e analisar e visualizar melhor os dados de forma a acompanhar como o “total” de dados vai diminuindo conforme novas barreiras vão surgindo. Contudo, aqui provavelmente vai ser necessário realizar várias consultas SQL ou algo similar para obter as porcentagens calculadas junto com os dados de navegação que vieram no log do servidor Web.

7) Análise 80/20

Figura10_Analise_80_20

 

A análise 80/20, também chamada de análise de Pareto, pode ser aplicada em vários tipos de dados do e-commerce e identificar, por exemplo, informações como:

  • 80% das reclamações dos clientes surgem a partir de 20% dos seus produtos ou serviços;
  • 80% do lucro (ou despesas) do site provêm de apenas 20% de seus itens com desconto.

Neste link, há um documento PDF que explica um pouco, do ponto de vista teórico, como esse tipo de análise 80/20 pode ser uma fonte de vantagem competitiva.

Do ponto de vista prático, geralmente a análise 80/20 é realizada com os dados já colocados em uma planilha e que foram obtidos a partir de um banco SQL (novamente considerando o relacionamento Clientes, Pedidos, Produtos).

Nesse tipo de análise, é comum mostrar um gráfico de linha com uma curva (também chamada curva ABC) separando os itens. Este e este links  contêm um bom exemplo de consultas SQL e visualização de dados com planilha para a geração de análises 80/20.

8) Fluxo de investimento, lucro, custo e impostos

Um dos desafios de quem lida com a administração e a operação de sites de e-commerce é visualizar e analisar de forma clara como é a movimentação e o fluxo de recursos (dinheiro, tempo, pessoas, espaço em disco, memória) ao longo do tempo e envolvida com investimento, lucro, custo e impostos.

Em particular, destaco as análises que permitem compreender facilmente como uma quantidade total de verba vai sendo dividida e espalhada em diversas atividades.

Uma boa maneira de fazer essa análise de fluxo é montar gráficos (ou diagramas) do tipo Sankey que podem ser criados gratuitamente com Google Charts. Por exemplo, o gráfico pode mostrar como a verba de investimento foi divida e reaproveitada em diversas áreas.

Figura11_GRAFICO_SANKEY

Este video mostra um pouco sobre como gráficos Sankey pode ser empregados para análises de transações. Aqui tem um exemplo fácil sobre criação de diagramas Sankey com planilhas, e aqui há como criar os dados a partir de instruções SQL.

9) Caminhos comuns de clientes no site

A navegação em um site de e-commerce é um item muito importante a ser analisado não apenas com dados estatísticos gerais, mas também com informações sobre etapas da navegação.

Mais uma vez, aqui o foco é considerar o log de navegação dos usuários no site obtidos a partir do log no servidor Web. Uma análise não muito comum relacionada à navegação de sites é a identificação dos caminhos mais comuns.

Geralmente, o fluxo de navegação de um site de e-commerce é concebido, pensado e materializado junto com aspectos de design, arquitetura da informação, usabilidade e outros. Contudo, analisar os logs de navegação e identificar caminhos comuns pode aumentar a compreensão de qual é a sequência de páginas efetivamente é utilizada e, quem sabe, fornecer argumentos para a criação de atalhos.

Figura12_arrowssteps

Por exemplo, vamos supor que cada página do site recebeu uma letra e representa a navegação do usuário como uma sequência do tipo ABAACDEAF, onde A pode ser a página de um produto, B a página de pesquisa, C a página de visualização de itens no carrinho e F a página de pagamento.

Esse exemplo associa páginas com letras, mas essa associação pode ser feita com etapas em vez de páginas diferentes. Com uma sequência de letras para cada sessão de navegação no site, é possível utilizar o algoritmo LCS (Longest Common Subsequence) e descobrir quais são os caminhos mais longos comuns a todos os usuários.

Com base nessa informação, diversas informações – páginas ou etapas no fluxo de informação – podem ser modificadas para tornar mais simples a navegação e reduzir o tempo/esforço necessário para que o usuário realize a tarefa que ele deseja no e-commerce, seja comprar um produto, fazer uma reclamação ou deixar um depoimento.

De forma análoga, a ordem de colocação de itens no carrinho também pode ser uma fonte de dados para a descoberta das ordens de itens mais comuns, caso tal ordem seja relevante para o negócio. Isso pode permitir a criação de combos automaticamente, nos quais com apenas um clique o usuário já coloca diversos itens no carrinho. Aqui não estamos falando de sistema de recomendação, mas sim de associação de itens para facilitar a navegação e simplificar o processo de compra.

10) Crie infográficos com os dados para facilitar a compreensão

Figura13_InfograficoEcommerce

A maioria das análises de dados requer uma simplificação quando for apresentada para certas audiências não técnicas. Isso quer dizer que é preciso resumir, traduzir e simplificar a linguagem de apresentação das análises para que elas possam ser compreendidas por pessoas que não sabem detalhes do que foi analisado e de como a análise foi feita.

Uma maneira interessante de realizar essa simplificação é contar com infográficos. Essa maneira de contar histórias é relativamente comum no jornalismo, mas pode ser empregada com certa facilidade na apresentação dos resultados das análises do e-commerce.

Já conversei um pouco sobre isso em um episódio do DatabaseCast, mas atualmente existem recursos muito simples e rápidos para a criação de infográficos a partir de exemplos e templates.

Serviços parcialmente gratuitos, como Piktochart, Visual.ly, Easel.ly e o Venngage, podem ajudar muito a transmitir o resultados das análises. Se por um lado é preciso diversas habilidades analíticas para montar as análises de dados descritas neste artigo, por outro lado é necessário um pouco de criatividade artística e habilidade de contar de histórias (storytelling) para criar esses infográficos de forma eficaz, sem que eles se pareçam com uma apresentação de slides.