A extração de regras de associação no retalho não é tema recente. Aliás, é um instrumento muito utilizado por modernas organizações retalhistas na tentativa de se encontrarem padrões representativos do comportamento dos consumidores e na posterior melhoria dos serviços oferecidos aos mesmos. Este tipo de mecanismo capacita o retalhista e as suas diversas áreas do negócio com novo conhecimento, permitindo, por exemplo, potenciar tráfego e vendas, macro e micro segmentar clientes, a posterior adoção de mecânicas promocionais mais eficientes e personalizadas, para além do adequado posicionamento das diferentes categorias, produtos e marcas dentro de loja e prateleiras, catapultando a experiência proporcionada.

Daí que uma das melhores apostas que um retalhista poderá implementar para impulsionar o tráfego nos seus diversos canais de venda, alavancar as suas vendas e exponenciar a satisfação dos seus clientes seja, sem qualquer dúvida, a melhoria da sua capacidade para reter, tratar e explorar os seus dados.
Num mundo que, da noite para o dia, se tornou cada vez mais digitalizado devido à situação pandémica, há uma maior propensão para interagir com lojas e aplicativos digitais. Este facto permite que seja guardado um volume crescente de factos e deles possível extrair correlações interessantes, como as preferências e tendências dos consumidores. Por exemplo, é possível descobrir padrões entre produtos, marcas e outras demais características, por entre milhões de registos guardados em bases de dados de grandes capacidades.

Num mundo que, da noite para o dia, se tornou cada vez mais digitalizado, a análise de afinidades entre diversas entidades é cada vez mais pertinente no suporte à tomada de decisão. No livro <> de Sebastián Ventura e José Luna, apresentam-se diversos padrões interessantes relacionados com regras de associação, tais como o padrão positivo/negativo perfeitamente aplicável no retalho. Na mineração de padrões positivos salienta-se que a presença de um produto na transação é mais relevante do que a sua inexistência (“se cliente compra batata frita então também compra cerveja”). Por outro lado, na mineração de padrões negativos, (“se cliente compra cerveja, então não compra sumo”).

Torna-se interessante então introduzir outras dimensões ao problema. Por exemplo, a dimensão tempo, procurando inferir padrões sequenciais, também descritos pelos autores. Nomeadamente, padrões resultantes de eventos sucessivos “cliente compra laranjas na primeira transação, seguido de pão e fiambre na segunda transação, seguido de leite e bananas na última transação”. Daqui é interessante destacar a noção de padrões anexados à variável tempo, por exemplo percebendo que “os clientes compram laranjas primeiro que pão e fiambre”.

É interessante destacar a evolução da tecnologia e a forte propulsão que a terrível pandemia deu à digitalização dos processos e às capacidades analíticas. No retalho, por exemplo, a relevância dada à <> ultrapassou o velhinho pensamento de que a área corresponde apenas a uma extração direta de informação sobre a forma de relatórios. Felizmente, a área analítica atual é bem mais poderosa e profunda, muito embora seja computacionalmente mais exigente. Se por um lado acredito que as ciências dos dados serão o verdadeiro trunfo para a diferenciação futura, ainda encontro, infelizmente, organizações diversas e mentalidades de alguns profissionais que dão mais primazia à implementação de novos e mais “embelezados softwares” operacionais. Espero que, doravante, seja dada maior primazia aos dados e à sua minuciosa exploração, tarefa crucial nos exigentes processos de tomada de decisão.

*com JMS