Acabei de completar 47 anos, o que automaticamente me elimina do grupo de “millennials”.
Nem por isso, deixo de estar bem antenado em relação ao mundo online.
E a idade me dá uma vantagem sobre eles:
Continuo respeitando profundamente os conceitos que já estavam aí, “offlinemente“, quando coisas como redes sociais e games em realidade aumentada sequer eram cogitados.
É o caso do Database Marketing (DBM).
Muita gente confunde os conceitos de DBM e CRM (Customer Relationship Management).
Pior ainda, fazem confusão entre conceitos e ferramentas.
E vão ainda mais longe, achando que ao adquirir uma ferramenta de CRM vão poder usá-la como se fosse a varinha do Harry Potter.
Resolvendo como que por mágica todas as questões que envolvem o relacionamento com seus clientes.
A fim de, garantir que sua empresa atue de forma customer centric, oferecendo experiências do cliente e mais eficiência na Jornada do Cliente, é importante eliminar essas dúvidas.
Database Marketing é um conjunto de metodologias desenvolvido na década de 80 do século passado que tem por objetivos estruturar, analisar e empregar os dados de uma base de clientes, atuais ou potenciais.
Para entregar mensagens de marketing mais personalizadas, relevantes e eficazes.
Seu nascimento se dá a partir, de um lado, das experiências acumuladas durante dezenas de anos pelo marketing direto tradicional.
Por outro, dos avanços nos sistemas computacionais que, a partir dos finais da década de 70, estavam se tornando cada vez mais amigáveis e acessíveis, resultando na revolução do computador pessoal.
Do ponto de vista dos objetivos, o marketing direto tradicional era bastante similar ao DBM: entregar a mensagem certa ao público certo, aquele com mais probabilidade de comprar, geralmente pelo correio, os produtos ofertados.
Nessa direção, inclusive, com o tempo, foi avançando bastante e, a partir do final da década de 60, as operações mais sofisticadas como os catálogos J.C.Penney e a Reader’s Digest começaram a utilizar de conceitos.
Além de ferramentas estatísticas, como modelos de regressão, análises multivariadas, árvores de decisão e outras.
Mas havia limitações técnicas, impedindo que as análises avançassem mais e a disciplina ultrapassasse as fronteiras da venda direta e da aquisição de novos clientes para a retenção dos clientes atuais através de um processo de nutrição de comportamentos desejáveis.
Menos poderosos do que os mainframes que haviam sido o padrão até então, custavam uma fração deles e ocupavam espaços cada vez menores, mas tinham uma capacidade de computação suficiente para atender as necessidades de empresas de engenharia, de varejo e, principalmente, do setor financeiro.
Em ambos os casos, ainda muito distantes da inteligência artificial e do big data analytics como conhecemos hoje.
Esse novo cenário tecnológico é o ambiente perfeito para o surgimento de uma nova metodologia que vai permitir às empresas atingir níveis até então impensáveis de eficiência no relacionamento com seus clientes.
Na origem do DBM situam-se Bob e Kate Kestnbaum. A empresa que criaram em 1967, Kestnbaum & Co., onde trabalharam alguns dos profissionais que definiram os parâmetros da nova metodologia, como Robert Blattberg, Rick Courtheaux and Robert Shaw, foi responsável pelo desenvolvimento de novas métricas para marketing direto que são fundamentais até hoje, como LTV (lifetime value), e foi pioneira na aplicação de modelagem financeira e econometria às estratégias de marketing.
Na década de 1980, a Kestnbaum e a empresa de Shaw trabalharam no desenvolvimento de vários bancos de dados de marketing online — para a BT (20 milhões de clientes), a BA (10 milhões) e a Barclays (13 milhões).
A Shaw incorporou novos recursos à abordagem Kestnbaum, incluindo automação do canal de vendas por telefone e de campo, otimização da estratégia de contato, gerenciamento e coordenação de campanhas, gerenciamento de recursos de marketing, responsabilidade de marketing e análise de marketing.
Os projetos desses sistemas foram amplamente copiados posteriormente e incorporados aos pacotes de CRM na década de 1990 e posteriormente.
Já o CRM – Customer Relationship Management é um conjunto de processos que combina práticas, estratégias e tecnologias através do qual uma empresa ou outra organização administra suas interações com os clientes. Concretamente, essas organizações lidam com sistemas ou ferramentas de CRM, que:
a) compilam dados de uma variedade de canais de comunicação diferentes, incluindo o site da empresa, telefone, e-mail, chat ao vivo, materiais de marketing e, mais recentemente, mídias sociais; e
b) geram procedimentos e regras de negócio que são sistematizados e automatizados em réguas de relacionamento que as organizações devem seguir ao interagir com seus consumidores.
Afinal, qual a diferença?
É uma questão de escopo.
Um sistema de CRM estende-se para além do território conhecido como marketing, permitindo uma conexão completa com um cliente, gerenciando todas as interações entre esse cliente e a empresa, envolvendo desde as centrais de atendimento até as áreas de pagamento e cobrança.
Por outro lado, é fundamental dominar as metodologias que compõem o DBM para conseguir desenhar os processos de CRM de forma consistente e eficaz para cada empresa e para cada cenário onde essa empresa atua.
Infelizmente, ainda existem muitos executivos que têm uma visão que podemos chamar de “mágica” em relação às ferramentas de CRM.
Eles esperam que basta adquirir uma dessas ferramentas, fazer uma customização superficial e elas vão começar a cuspir réguas prontas ou semiprontas. Mas não funciona assim.
Na verdade, o domínio do DBM permitiria até prescindir de uma ferramenta de CRM pronta, pois sua função é facilitar os processos, automatizando rotinas e gatilhos para ações.
O contrário, porém, não é aconselhável, pois cada empresa ou organização é um ser individual com características e propósitos próprios.
Para entendermos melhor, vamos dar uma mergulhada em algumas visões estratégicas que o DBM pode proporcionar.
Como você já deve ter percebido, o principal valor do database marketing é permitir que uma marca interaja com os clientes de forma que eles sintam que estão envolvidos.
De fato, em uma conversa individual com a marca, promovendo a tão desejada CX (customer experience) ou em bom português a experiência do cliente .
Conhecer realmente os clientes — seus desejos, necessidades, preferências, tendências e até mesmo seus prováveis comportamentos futuros.
Permite que a marca faça com que se sintam compreendidos e valorizados, sem perder tempo ou tratá-los com comunicações irrelevantes.
Este alto grau de personalização e relevância da mensagem incorpora “inteligência emocional” que naturalmente resulta em clientes mais engajados, mais fiéis à marca e que permanecem clientes ativos por mais tempo (CLV – customer lifetime value).
Esse processo começa com a segmentação de clientes em várias camadas com base nos dados disponíveis no data warehouse do cliente.
Os métodos básicos de segmentação dependem de um ou mais campos de banco de dados.
Como características demográficas, atividade do site/aplicativo, padrões de compra e padrões de resposta a ofertas anteriores.
Segmentações mais complexas alavancam a análise de vários pontos de dados, usando métodos como recência, frequência, análise monetária (RFM) ou análise de cluster.
As abordagens de segmentação mais sofisticadas são encontradas na família de soluções de modelagem preditiva de comportamento.
Bem como estimar o valor de vida do cliente (LTV), probabilidade de rotatividade (Churn) e outros fatores futuros.
Isso resulta em interações personalizadas altamente relevantes que exibem inteligência emocional e podem superar o ruído no mundo saturado de marketing de hoje.
Os resultados incluem um engajamento, gastos, fidelidade de longo prazo e lucratividade geral do cliente significativamente maiores.
A análise dos dados agregados do cliente pode gerar percepções valiosas e até mesmo levar à evolução estratégica.
Além das aplicações práticas que o marketing de banco de dados permite, as empresas podem explorar seus valiosos dados de clientes.
Além de obter insights estratégicos que têm o potencial de melhorar vários aspectos do negócio ou até mesmo remodelar a própria marca.
Usando data analytics como um caminho eficiente para isso.
Dois exemplos possíveis disso são rastrear o equilíbrio das receitas futuras esperadas de clientes existentes versus novos clientes.
Com o propósito de determinar o equilíbrio de clientes de alto valor (VIP) versus clientes de baixo valor e ocasionais.
Uma vez criado para fins de marketing de retenção personalizado, o data warehouse do cliente também pode ser usado para melhorar o suporte ao cliente.
Geralmente por meio da integração com o CRM da empresa ou com o sistema da central de atendimento.
Quando um cliente entra em contato com a marca para obter serviço por meio de uma ligação, e-mail ou canal de mídia social.
Isso permite respostas mais relevantes e personalizadas que melhoram ainda mais as percepções dos clientes sobre a marca como aquela que realmente os “entende”.
Explorar os dados do cliente para uma melhor compreensão de quais produtos ou serviços os clientes desejam é outro benefício.
Por exemplo, ao fazer referência cruzada de padrões de compra/engajamento e parâmetros demográficos, uma marca pode descobrir insights importantes sobre seu mix geral de produtos.
Afinal, um ótimo marketing e atendimento ao cliente só podem ir até certo ponto — a oferta deve ser aquela que o mercado-alvo deseja.
O dicionário da Associação Psicológica Americana define inteligência como sendo:
“A capacidade de extrair informações, aprender com a experiência, adaptar-se ao ambiente, compreender e utilizar corretamente o pensamento e a razão”.
Em minha visão, com pequenas adaptações, é a também a melhor definição para database marketing.
E é assim que a aplicamos no dia a dia dos clientes da Always On.
Envie um email para descomplicando@aodigital.com.br e vamos conversar.
A ciência de dados para identificar tendências é a solução que a empresa PepsiCo encontrou. A inovação em bebidas na...
