‍

Criar uma cesta de desconto ideal de produtos foi a estratégia na qual, nossa cliente, uma gigante farmacêutica, nos pediu ajuda. Ela precisava ofertar cerca de 40 produtos (SKUs) específicos para cada ponto de venda que tinha na base. 

‍

Uma estratégia eficaz que iria garantir a atração e a fidelização dos pontos de venda regionais, aumentar as vendas no atacado e reduzir estoques de produtos que precisam ser movimentados.

A solução construída pela Datarisk foi composta de 4 tipos de análise que, somadas passaram a gerar a cesta ideal para cada ponto de venda. 

‍

A cesta com a composição ideal de produtos passou a ser exibida, de forma customizada, na intranet da farmacêutica, para cada cliente que fazia o login com o objetivo de efetuar a compra. 

‍

Modelo de Classificação/Probabilidade de compra

‍

Comumente usado em marketing e vendas, construímos um modelo estatístico que utilizou técnicas de análise de dados para prever a probabilidade dos clientes da farmacêutica a realizarem determinadas compras. 

O modelo utilizou base de dados históricos dos clientes que realizaram compras, e variáveis como histórico de compras anteriores e localização geográfica para estimar a probabilidade da compra.
‍

Os dados foram coletados e analisados por meio de técnicas de aprendizado de máquina e estatística, que identificaram padrões e tendências nos dados.

‍

Modelo de Previsão de Demanda

‍

Além da probabilidade de compra, construímos um outro modelo que, através dos dados históricos de vendas e outras informações relevantes, previa a demanda futura do cliente (PDV) da farmacêutica.

‍

O modelo também foi usado para ajudar em decisões estratégicas sobre produção, estoque, logística e estratégias de vendas.

‍

Técnicas estatísticas e de machine learning foram utilizadas para analisar padrões de vendas passadas e identificar fatores que influenciam a demanda, como sazonalidade, tendências de mercado, condições climáticas, eventos especiais e mudanças na economia. 

‍

Dados Externos

‍

Além dos dados históricos, a cliente nos forneceu dados externos que, contribuíram para uma melhor performance dos modelos criados.

‍
Dados externos referem-se a informações que não são originadas ou controladas internamente por uma organização. São dados valiosos porque permitem informações adicionais sobre tendências de mercado, comportamento do consumidor, avaliação de concorrência e muitas outras aplicações.

‍

Sistema de Recomendação

‍

Com os modelos performando tanto com dados internos quanto externos, e pensando em melhorar a experiência do usuário, desenvolvemos um sistema de recomendação que passou a fornecer as sugestões personalizadas para os clientes da farmacêutica com base em suas preferências, histórico de interações e comportamento.

‍

‍

‍

RESULTADOS:

‍

Com base nas informações fornecidas pela nossa solução, nossa cliente conseguiu tomar decisões mais assertivas nas estratégias de marketing e vendas, como segmentação de clientes, personalização de ofertas e otimização de preços.

Aumentou as vendas, a satisfação do cliente, reduziu os custos de marketing e aumentou significativamente o retorno sobre o investimento em campanhas publicitárias.

‍

• 83% de acerto na recomendação dos produtos aos clientes;
• 76% de aumento do consumo nos pontos de venda, depois da sugestão personalizada;
• 2,5% de aumento no volume dos 40 produtos selecionados;
• 15% de sugestões abaixo da faixa aceitável.

‍