Dashboard de Campanhas: Avaliação em Telecom

O projeto de dissertação focou-se no desenvolvimento de uma ferramenta de avaliação de resultados para uma empresa de telecomunicações, permitindo a identificação de padrões para revisão de estratégias existentes e delineamento de novas, tanto operacionais quanto estratégicas. O resultado principal foi a construção de um dashboard transversal à empresa, inédito até então, contendo informações sobre todas as vendas de produtos e serviços a clientes particulares, bem como o desempenho dos canais de venda. Este dashboard permite comparar a eficácia de campanhas e produtos, o desempenho de colaboradores e analisar padrões e tendências para definir estratégias futuras. A principal vantagem é a redução significativa do tempo operacional anteriormente dedicado à recolha de dados e construção de dashboards em cada equipe. O mercado de telecomunicações, altamente competitivo e saturado, impulsionou a necessidade de técnicas analíticas para melhor compreensão do comportamento do cliente e aumento das vendas. O projeto objetivava oferecer o produto certo, no canal certo, com o argumento ideal e no tempo certo, necessitando de um dashboard transversal para acompanhar os resultados e a eficácia das iniciativas.

O projeto foi realizado no departamento de Customer Relationship Management (CRM), na equipe de Business Intelligence (BI). O CRM é responsável pelas informações e processos dos clientes, fornecendo suporte aos demais departamentos com análises personalizadas. A grande quantidade de dados gerados pelas empresas de telecomunicações dificulta a seleção de informações relevantes para a tomada de decisões, especialmente devido à dependência dos departamentos de TI. A equipe de BI estuda os clientes, analisa seu percurso e prevê suas necessidades, sendo responsável pela recolha e tratamento de dados. Gerencia as bases de dados de todos os clientes particulares, focando-se em estratégias de incremento de valor e retenção de clientes, utilizando conceitos avançados de modelagem e Data Mining. Atualmente, a empresa busca acesso imediato e detalhado às informações para análises precisas, visando aumentar a produtividade e adequar ofertas aos clientes. A crescente adoção de estratégias data-driven por concorrentes aumenta a competitividade, demandando tecnologias e ferramentas além das tradicionais. A indústria de telecomunicações, pioneira na exploração do Big Data, enfrenta saturação de mercado e necessita da análise exaustiva de dados para aumentar a eficiência, prevendo preferências dos clientes e evitando a perda ou buscando a aquisição de novos. A Verizon, por exemplo, utiliza Big Data para melhorar o desempenho operacional e segurança, além de orientar investimentos com base nas necessidades dos clientes. O aumento constante do volume de dados exige ferramentas de visualização capazes de lidar com o Big Data (Tableau, Microstrategy, QlikView, Power BI). Embora existam ferramentas avançadas, sua adoção no mundo corporativo requer tempo para compreensão e aplicação.

Em Portugal, a intensa concorrência entre MEO, NOS e Vodafone resultou na saturação do mercado e estagnação das vendas. Dados da ANACOM (final do primeiro trimestre de 2017) mostram que 87% das famílias possuíam pacotes de serviços, com crescimento mínimo de 1% em relação ao período anterior. A receita mensal por assinante de serviços em pacotes caiu 1,6%, atingindo 41,57 euros. A empresa estudada buscava otimizar a oferta de produtos para cada cliente, utilizando o canal, argumento e tempo adequados. O processo de venda precisava de melhorias para melhor alinhamento entre produto e cliente. Atualmente, a oferta é massificada, sem estudos analíticos prévios, gerando perdas de oportunidades de vendas. As propostas são baseadas na experiência do assistente ou serviço existente, resultando em baixo aumento de vendas. Muitas oportunidades de melhoria foram identificadas, incluindo maximização de contato por call centers e utilização de uma ferramenta única em todos os canais. A dissertação concentra-se na construção de um dashboard operacional para acompanhar a eficácia de iniciativas e comprovar o aumento de vendas através da implementação das estratégias definidas. A empresa divide-se em cinco grupos, porém o estudo concentrou-se no grupo focado no segmento de clientes particulares, que inclui equipes dedicadas aos canais, vendas, produtos móveis e convergentes, fixos e suporte (incluindo CRM e vendas particulares).

O projeto envolveu o planeamento e elaboração de um dashboard transversal à empresa. Inicialmente, foram explorados os processos, termos e objetivos do projeto. A representação de vendas, produtos e desempenho dos assistentes exigiu a construção modular da informação. Na primeira fase, focou-se em clientes de serviços fixos que interagiram com a operadora (outbound, retenção proativa, canais assistidos). Foram excluídos, inicialmente, dados sobre angariação de novos clientes e interações não relacionadas a vendas. A participação dos stakeholders em cada decisão foi crucial para o sucesso do projeto. A definição dos KPIs foi essencial, evitando métricas desconectadas do objetivo global de rentabilidade. As dimensões utilizadas nos cálculos dos KPIs foram definidas a partir do mapa de processo, incluindo o número de entradas (consultas de clientes pelos assistentes, com máximo de uma por dia/assistente/cliente). KPIs incluídos foram: Taxa de adesão, Taxa de não seguimento de marcações (com receita superior/inferior à marcação). A taxa de spillover foi sugerida como métrica para o futuro. Filtros foram definidos por perfil de cliente (pacotes), canais e âmbito de venda (prospecção vs. retenção). O Power BI foi escolhido pela sua capacidade de visualização e navegação entre níveis de detalhe, embora a resistência à mudança tenha levado a uma escolha inicial mais conservadora. O Power Pivot foi utilizado como add-in do Excel devido à familiaridade dos utilizadores.

O mercado português de telecomunicações é descrito como altamente saturado e competitivo, com três principais operadores (MEO, NOS e Vodafone). Essa situação levou à estagnação das vendas nos últimos anos, conforme dados da ANACOM, que apontam para um crescimento de apenas 1% no número de famílias com pacotes de serviços no primeiro trimestre de 2017, o menor crescimento desde 2011. A receita mensal por assinante (ARPU) também apresentou queda de 1,6%, atingindo 41,57 euros. Essa constatação demonstra a necessidade de estratégias inovadoras e eficientes para enfrentar a intensa concorrência e impulsionar o crescimento. A empresa estudada reconheceu a necessidade de aprimorar suas estratégias, buscando oferecer o melhor produto, pelo canal mais adequado, com argumento comercial ajustado e no timing perfeito, para cada cliente. Para atingir esse objetivo, torna-se crucial a implementação de um sistema de análise de dados e acompanhamento de resultados, permitindo previsões de comportamento e redefinição estratégica.

A análise da situação inicial revelou oportunidades significativas de melhoria nos processos de venda, principalmente no alinhamento entre o produto/serviço promovido e as características do cliente. As ofertas, muitas vezes massificadas e sem o apoio de estudos analíticos prévios, não resultam num aumento significativo das vendas. Atualmente, as propostas são baseadas na experiência do assistente de vendas ou no serviço que o cliente já possui, ignorando as reais necessidades e preferências individuais. Um exemplo citado é a oferta de canais de TV premium a clientes que já possuem pacotes de TV, internet e telefone, sem uma análise prévia do consumo de dados móveis ou minutos. Essa falta de personalização representa uma perda de oportunidades de vendas. A necessidade de um estudo prévio sobre os clientes se estende a outras áreas, como a maximização de contato em call centers e a unificação das ferramentas de acesso a dados em todos os canais. O trabalho da dissertação focou-se na criação de um dashboard transversal como solução para acompanhar a eficácia das iniciativas e demonstrar o aumento das vendas.

As ferramentas de análise de dados existentes na empresa, baseadas principalmente em planilhas do Excel®, apresentavam limitações significativas. A falta de detalhe e a inconsistência no acompanhamento das marcações resultavam em baixa adesão das equipes às ferramentas existentes. Um dashboard com um nível aceitável de detalhe é crucial para sua valorização e aceitação por toda a organização. A análise de campanhas de upsell, por exemplo, apesar de avaliar as vendas em diferentes canais, não considera a possibilidade de um cliente não aderir a uma campanha em detrimento de outra, falhando em analisar o impacto total das ações promocionais. Além disso, métricas importantes como a taxa de adesão e a evolução da receita média por cliente (ARPU) e o valor do cliente (PF) são monitoradas, mas a falta de detalhe e a incapacidade de analisar as inter-relações entre as campanhas tornam a avaliação incompleta. A falta de informação sobre os assistentes que realizaram as vendas dificulta o controle por parte dos gerentes, e a inconsistência nas ferramentas utilizadas entre os diferentes canais agrava ainda mais os problemas. A necessidade de um dashboard mais detalhado e abrangente, com um layout intuitivo e fácil de usar, é reconhecida como fator crucial para a sua adoção e sucesso.

A solução proposta consistiu no planeamento e desenvolvimento de um dashboard transversal à empresa de telecomunicações, com o objetivo de fornecer uma visão integrada das vendas, produtos e desempenho dos assistentes. Inicialmente, foi necessário um trabalho de exploração e recolha de informações sobre os processos internos, terminologias e objetivos do projeto. A complexidade de integrar todas as vendas, produtos e o desempenho individual dos assistentes levou à necessidade de uma construção modular e incremental do dashboard. Numa primeira fase, optou-se por focar a análise nos clientes de serviço fixo (com pacotes de TV, por exemplo), considerando apenas os clientes que interagiram com a operadora (canais assistidos, outbound e retenção proativa). A angariação de novos clientes e interações não diretamente relacionadas ao processo de vendas foram deixadas para fases posteriores do desenvolvimento. A inclusão dos stakeholders em cada decisão do design do dashboard foi considerada fundamental para o seu sucesso, assim como a apresentação gradual dos avanços aos responsáveis pelo produto, canais e colaboradores chave da equipa de CRM. A motivação contínua de todas as partes envolvidas foi apontada como fator crucial para o bom desenvolvimento do projeto.

Antes da definição das métricas a incluir, analisaram-se os resultados possíveis das interações com os clientes, representados num fluxograma. A partir dessa análise, foram definidas dimensões e KPIs. A dimensão 'Entradas' refere-se ao número de clientes consultados pelos assistentes, com no máximo uma entrada por dia/assistente/cliente. Os KPIs principais foram: a taxa de adesão (adesões de clientes consultados e marcados / total de clientes consultados e marcados), avaliada como um indicador quase completo devido à possibilidade de análise da eficácia de campanhas e desempenho de canais/assistentes através de filtros; e a taxa de não seguimento de marcações (adesões que não respeitam as marcações / total de adesões de clientes marcados), que avalia a perspicácia dos assistentes ao vender pacotes com receitas superiores ou inferiores às propostas iniciais. Futuramente, propôs-se a inclusão da taxa de spillover, que considera vendas influenciadas por interações anteriores, mesmo que com assistentes diferentes. Filtros foram implementados para segmentar a informação por perfil de cliente (tipo de pacote), canais de venda e âmbito de venda (prospecção vs. retenção). A escolha dos KPIs buscou equilibrar a precisão da medição com a facilidade de implementação e interpretação.

O Power BI foi a ferramenta escolhida para a construção do dashboard, devido à sua capacidade de visualização e navegação entre diferentes níveis de detalhe. A ferramenta permite a aplicação de filtros, tanto a nível da página como em conjuntos de representações gráficas. As suas vantagens em relação ao Power Pivot são a possibilidade de integração em cloud e a integração dos add-ins do Excel (Power Pivot, Power Query e Power View). Apesar de ser necessário adquirir licenças individuais para acesso completo a funcionalidades, como o acesso via app mobile e análise de grandes volumes de dados, o custo foi considerado acessível. A escolha do Power BI versus o Power Pivot (add-in do Excel) foi influenciada pela resistência das pessoas à mudança e a necessidade de entrega rápida dos resultados. Embora o Power Pivot permitisse trabalhar com um volume maior de dados (até 2GB e 4GB de RAM), a facilidade de uso e familiaridade do Excel pelos usuários pesou na decisão. Considerando o crescimento futuro do volume de dados, a transição para o Power BI é prevista para o futuro.

Após a compreensão do projeto, processos e objetivos do dashboard, iniciou-se a recolha dos dados necessários para construir os KPIs e filtros pré-definidos. A empresa, resultante de uma fusão recente, possui informações dispersas em diferentes sistemas (móvel e fixo). A recolha focou-se majoritariamente nas bases de dados do lado fixo, recorrendo-se às bases de dados do mundo móvel para verificar a existência simultânea de serviços fixo e móvel nos clientes analisados. Após a importação e construção dos KPIs, os gráficos foram criados usando Pivot Charts e os KPIs numéricos via Pivot Tables. A aplicação do layout, previamente definido, foi crucial para a aceitação e utilização da ferramenta pelas equipes. A apresentação visual dos dados é fundamental para a eficiência da ferramenta, principalmente quando usada por um grande número de pessoas com diferentes níveis de conhecimento técnico. Durante a construção, atualizações manuais das tabelas conectadas ao SQL Server foram necessárias, devido a alterações de requisitos ou disponibilidade de dados mais recentes. O Power Pivot permitiu visualizar a tabela completa no SQL Server e analisar quais os campos adicionais a importar.

Após a compreensão do projeto, processos e objetivos do dashboard, a etapa seguinte envolveu a análise e recolha de dados para alimentar os KPIs e filtros previamente definidos. Devido à recente fusão da empresa, a informação encontrava-se dispersa em diferentes sistemas, nomeadamente nos sistemas relativos ao mundo móvel e ao mundo fixo. O foco principal da recolha de dados concentrou-se nas bases de dados do lado fixo, ou seja, serviços como televisão, internet e telefone fixo. No entanto, recorreu-se também às bases de dados do mundo móvel para verificar se os clientes analisados possuíam ambos os serviços simultaneamente. Esta abordagem demonstra a complexidade inerente à integração de dados de diferentes origens e a necessidade de garantir a consistência da informação para uma análise confiável. A escolha inicial de focar nos dados do lado fixo visa construir uma base sólida para o dashboard e permite uma abordagem gradual e incremental, com a adição de dados móveis em fases posteriores.

Após a importação dos dados, procedeu-se à construção dos KPIs e à criação dos gráficos utilizando as ferramentas do Power BI, especificamente o Pivot Chart para a representação gráfica e a Pivot Table para a apresentação numérica dos KPIs. A escolha dessas ferramentas demonstra a capacidade do Power BI para gerar visualizações de dados a partir de diferentes tipos de dados e tabelas. Um passo crítico foi a aplicação do layout definido no protótipo, fundamental para a aceitação e uso da ferramenta pelas equipas. Uma boa apresentação é crucial para a eficiência da visualização de dados, especialmente quando a ferramenta é utilizada por um número elevado de pessoas de diferentes equipes e níveis de expertise. O layout, cuidadosamente planeado, facilita a interpretação e aumenta as chances de adoção do dashboard pelos colaboradores e gestores. A necessidade de atualização contínua das tabelas, conectadas ao SQL Server, demonstra a importância da manutenção e atualização regular dos dados para garantir a exatidão das informações exibidas no dashboard. O processo de atualização, inicialmente manual, utilizando as propriedades da tabela no Power Pivot, ilustra a capacidade de integrar dados externos e garantir a consistência da informação.

Para avaliar o impacto de ações comerciais em campanhas promocionais, foi utilizada uma modelagem preditiva baseada na comparação entre um grupo-alvo (TG) e um grupo de controlo (CG). A recolha de informação detalhada sobre os clientes, incluindo variáveis categóricas e não categóricas (tipo de serviço, antiguidade na empresa, receita por serviços e equipamentos adicionais), foi realizada utilizando um modelo previamente desenvolvido pela equipa no software R. Este modelo permitiu a seleção de clientes no grupo de controlo (CG) com perfis semelhantes aos clientes do grupo-alvo (TG), mas que não foram alvo da ação promocional, de forma a minimizar potenciais vieses na comparação. O principal objetivo da modelagem foi aferir a variação de receita entre os dois grupos ao longo de diferentes meses, analisando os meses anteriores e posteriores à implementação da campanha. Os resultados foram apresentados em gráficos mostrando a evolução da receita média por cliente nos dois grupos ao longo de quatro meses. A utilização de um modelo prévio em R demonstra a utilização de técnicas de Data Mining para melhorar a precisão da modelagem preditiva e a seleção de um grupo de controlo eficiente para obter resultados mais confiáveis.

O projeto de dissertação resultou no desenvolvimento de um dashboard transversal para uma operadora de telecomunicações, otimizando o tempo das equipas ao eliminar a necessidade de procurar, analisar e organizar informações manualmente. A ferramenta permitiu avaliar a eficácia de cada campanha, o desempenho de cada canal de vendas e identificar padrões e tendências comportamentais dos clientes. A possibilidade de identificar e quantificar as vendas realizadas por cada assistente representa um ganho significativo para a gestão de desempenho dos colaboradores. A construção do dashboard resultou numa maior eficiência operacional, uma vez que as equipes deixaram de despender tempo na recolha e organização de dados para a construção de dashboards individuais. A análise dos dados permitiu compreender melhor a eficácia das campanhas e o desempenho de cada canal, bem como a descoberta de padrões e tendências comportamentais dos clientes. Futuramente, será possível avaliar a eficácia da estratégia de oferecer a melhor oferta, em termos de rentabilidade, a cada cliente. A integração das informações num único dashboard permitiu otimizar recursos e melhorar a tomada de decisões dentro da empresa.

Apesar do sucesso na construção e implementação do dashboard, o documento sugere algumas perspectivas para trabalhos futuros. Uma delas é a incorporação de dados sobre a angariação de novos clientes no dashboard, que ainda não estavam incluídos na primeira fase. A expansão para além dos dados de clientes de serviços fixos, incluindo informações de serviços móveis, também é uma possibilidade. A inclusão da métrica de spillover, que quantifica o impacto das interações que não resultam em vendas imediatas, mas que podem influenciar vendas futuras, é mencionada como uma melhoria a ser considerada. A transição do uso do Excel® e do Power Pivot para uma interface mais robusta como o Power BI é vista como uma solução importante para o futuro, considerando o crescimento do volume de dados. Embora tenha havido resistência inicial à mudança, a necessidade de lidar com um volume maior de dados no futuro tornaria a migração para uma solução mais potente como o Power BI uma decisão estratégica. Finalmente, a melhoria contínua do dashboard deve envolver uma avaliação contínua das suas funcionalidades e métricas, adaptando-o às necessidades da empresa e aos resultados obtidos ao longo do tempo. A inclusão de mais indicadores, como a taxa de spillover, poderia oferecer insights adicionais sobre a eficácia das estratégias de vendas e o impacto da interação com o cliente.