IoT technology for e-commerce customer information segmentation

No movimentado mundo das compras online, um comerciante enfrenta um desafio tão antigo quanto o próprio comércio: como tratar cada cliente como um indivíduo sem perder a sanidade. No passado, um lojista conhecia seus clientes regulares pelo nome e rosto. Hoje, uma loja digital pode atender milhões de pessoas, a maioria das quais está a apenas um nome de usuário e um endereço de entrega de distância. Para sobreviver, esses negócios devem classificar seus clientes em grupos, entendendo quem traz mais lucro e quem precisa de um pouco de atenção extra. Esta é a arte da segmentação de clientes. Tradicionalmente, as empresas têm observado três coisas simples para julgar o valor de um comprador: quão recentemente ele comprou algo, com que frequência ele compra e quanto dinheiro gasta. Esse trio de fatos forma um mapa básico dos hábitos de um cliente. No entanto, simplesmente somar esses números muitas vezes ignora as nuances do comportamento real. Um cliente que gasta muito, mas visita raramente, pode ser diferente de um que visita diariamente, mas gasta pouco. A questão permanece: como pesamos esses fatores de forma justa para ver o verdadeiro valor de um comprador?

Um pesquisador do Instituto Politécnico de Henan propôs-se a responder a isso refinando a maneira como os comerciantes online analisam seus dados. Em vez de adivinhar qual dos três fatores — recência, frequência ou gastos — é o mais importante, o pesquisador utilizou uma abordagem matemática chamada método do peso de entropia para deixar os dados falarem por si mesmos. Essa técnica calcula a importância de cada fator com base em quanto os dados variam, garantindo que a pontuação final reflita os padrões reais nos registros de vendas, em vez de uma opinião pré-estabelecida. O estudo concentrou-se em um comerciante específico que vende cookies e bolos na plataforma Pinduoduo, examinando mais de 32.000 registros de compras de agosto de 2019 a janeiro de 2020. Após limpar os dados para remover pedidos inválidos e identificar os clientes por seus endereços de entrega, o pesquisador aplicou este novo sistema de pontuação para avaliar cada comprador.

Uma vez pontuados os clientes, o pesquisador utilizou uma ferramenta de agrupamento para classificá-los. Imagine separar uma pilha de pedras misturadas não apenas por cor ou tamanho, mas encontrando os agrupamentos naturais onde pedras de peso e textura semelhantes se assentam naturalmente juntas. O computador testou diferentes números de grupos, de dois a oito, e selecionou o arranjo que criou as categorias mais distintas e claras. O resultado foi um mapa de quatro tipos distintos de compradores. O primeiro grupo, constituindo cerca de 27 por cento dos clientes, eram os compradores de baixo valor: eles não compravam nada recentemente, compravam infrequentes e gastavam muito pouco. O segundo grupo, representando quase 23 por cento, eram clientes que haviam gasto uma boa quantia e compravam com frequência no passado, mas haviam ficado quietos recentemente; estes eram os compradores que o comerciante precisava reconquistar. O terceiro grupo, outros 27 por cento, eram compradores recentes que ainda estavam explorando a loja, mas ainda não haviam se comprometido com altos gastos ou visitas frequentes. Finalmente, o quarto grupo, compreendendo cerca de 22,5 por cento do total, eram os clientes de alto valor: eles compravam recentemente, compravam frequentemente e gastavam mais dinheiro.

Quando o pesquisador comparou este novo método com a maneira tradicional de pontuar os clientes, a diferença foi clara. A abordagem tradicional, que frequentemente depende de pesos fixos decididos por especialistas, tendia a agrupar os compradores mais valiosos em uma fração minúscula do total, identificando apenas um ínfimo 0,8 por cento como de alto valor. Em contraste, o novo método, que deixou os dados determinarem os pesos, identificou um grupo muito maior e mais realista de clientes de alto valor, alinhando-se de perto com a conhecida observação de negócios de que uma pequena parte dos clientes gera a maioria dos lucros. O novo modelo mostrou que os grupos eram mais distintos entre si, o que significa que o comerciante agora podia ver as diferenças entre os tipos de clientes com maior clareza. Isso sugere que, ao deixar os dados decidirem quanto peso dar à recência, frequência e gastos, os negócios online podem criar perfis mais precisos de seus compradores. O estudo conclui que esta abordagem oferece uma maneira melhor de segmentar clientes, permitindo que os comerciantes adaptem suas estratégias para manter seus melhores compradores felizes e incentivar gentilmente outros a retornar, tudo baseado em uma imagem mais clara de quem eles realmente são.