Latest / Os Agilistas / Integrar dados na Heineken vale mais que números “perfeitos”

Transcript

Integrar dados na Heineken vale mais que números “perfeitos” · Os Agilistas

0:04
O que de de NPS é um exemplo muito didático, assim de como a
0:09
gente consegue transformar o que é visto talvez mais como uma
0:13
pesquisa, né? Num produto de dados com um
0:15
ciclo de valor assim. Então, na prática, ONPS como
0:19
produto, né? Ele ele acaba olhando para toda
0:21
a jornada. Então, desde que a gente tenha
0:23
essa captura do contínuo ali, né, do feedback do cliente, até
0:27
integração com essas outras Fontes de dados aqui.
0:30
Que operacionais que a gente tem, como de logística, entrega,
0:33
prazo de entrega, né? O atendimento para oferecer essa
0:36
visão mais completa da experiência, do sentimento do
0:39
cliente para o para o nosso time de vendas e identificar ali
0:42
quais são esses principais fatores que influenciam a
0:46
satisfação e os pontos de atrito na jornada.
0:48
Mesmo para orquestrar ações para fechar o loop, né?
0:52
Com o cliente. Então, digamos que a gente tinha
0:54
lá algumas reclamações ou ou feedbacks de tipo, Ah, eu
0:58
agendei uma entrega para 1 dia. Né?
1:00
Não recebi ou então questões de tipo, não tinha produto quando
1:04
eu quis comprar. Então a gente consegue perceber
1:08
alguns pontos pequenos ali que talvez num mar de feedback, né?
1:12
Num mar de pesquisas, a gente. Manualmente nem conseguiria
1:15
pegar para conseguir endereçar e investigar ali com áreas de
1:19
negócios específicas, seja de logística, seja com um time de
1:23
vendas que né? Tenha que colocar ali um pedido
1:26
proativamente ou time de produção para ver como que está
1:30
ali a demanda e a e a capacidade, né?
1:32
De atender alguma região, algum centro de distribuição.
1:35
Então a gente consegue amarrar essas, essas respostas e esses
1:39
insights que a gente recebe em algumas pesquisas para gerar
1:42
ações ali junto com o time da área responsável, né?
1:45
Então a gente teve que criar aqui e aí volta na no ponto que
1:48
eu falei, né? Da gestão de mudança ser tão
1:50
importante quanto a gestão tecnológica ali, né?
1:53
Que a gente teve que criar um comitê praticamente, né,
1:55
interdisciplinar ali dentro da da rotina ali do time de vendas,
1:59
para que a gente conseguisse endereçar essas ações, né?
2:03
E tivesse, de fato, efetividade ali depois.
2:05
Olhar o insight que vem da pesquisa, então acho que esse
2:08
case assim foi, foi muito bacana, né?
2:10
E muda muito a relação entre analytics ali, as áreas de
2:14
negócio, né? Que ao invés de entregar um
2:17
relatório de um feedback estático, né, o time começa a
2:20
olhar aí para um backlog de evoluções do nosso rps, né?
2:24
Então tem. Tem novas correlações, novos
2:27
cortes ali da pesquisa. Que vão permitir novas ações
2:31
para a gente melhorar o nosso, o nosso atendimento, a nossa
2:34
operação e colocar, né? De fato, o cliente no centro,
2:37
que é pra gente o mais importante.
2:39
No fim, começar a transformar esses detratores, né, que a
2:43
gente tem em promotores e traduzir isso em crescimento de
2:46
receita. Então, esse case ele foi bem,
2:48
bem bacana. É, ele é bem impactante mesmo e
2:51
bem completo, né? Assim, uma visão bem holística
2:53
tanto da saída da produção até a experiência final ali do
2:56
consumidor, né? E olhando para o futuro da.
2:59
Anne, acho que vocês já estão construindo, né?
3:02
Soluções bem legais e importantes para o negócio.
3:05
Mas eu imagino que também o céu é o limite, né?
3:08
Você podia contar um pouquinho pra gente assim em termos de
3:11
desafios que você vislumbram, né?
3:14
Tanto tecnicamente mesmo é em soluções técnicas para amparar,
3:18
né? Tamanhas áreas assim, tantas
3:20
áreas envolvidas quanto o que que vocês vislumbram aí para os
3:25
para os cenários de dados nos próximos tempos?
3:27
Eu diria que os. Os nossos próximos desafios,
3:31
assim, são muito menos em provar que dados geram valor e muito
3:35
mais em escalar isso com segurança, com governança e
3:39
automação, né? Porque eu acho que temos
3:41
recomendações, temos em sites, mas como que a gente aumenta o
3:45
nível de automação dessa, dessa inteligência artificial na
3:48
decisão do dia a dia, né, sem ser um risco para a companhia?
3:52
Então a gente já tem aí algumas, algumas automações de de
3:56
decisões por meio de inteligência artificial para
3:59
hoje. São coisas mais simples da gente
4:02
tomar ação, né? Uma distribuição, né?
4:04
Mover um produto de um CDA para outro, então a gente consegue
4:07
automatizar algumas decisões com mais segurança, mas algumas
4:11
outras a gente ainda, né? Precisa ali de um humano tomando
4:15
uma decisão, né, garantindo que a gente não vai errar em alguns
4:19
casos excepcionais e decisões mais estratégicas.
4:21
Então, para que a gente chegue nesse ponto, né, de ter decisões
4:25
automatizadas, é isso exige modelos muito mais robustos.
4:29
Né? Um monitoramento muito contínuo
4:31
e uma governança forte de de risco assim.
4:33
Então, todo o trabalho de governança, qualidade,
4:36
arquitetura de dados, ele continua sendo muito essencial.
4:39
E o outro eixo assim de desafios, que eu acho que a
4:42
gente tem aí para o futuro, é expandir o uso de agnerativa e
4:46
agentes de a que a gente tem muita oportunidade, não só.
4:49
Nas áreas comerciais, mas nessas áreas de suporte que eu
4:52
comentei, e olhando mais para frente, tem uma agenda de dados
4:55
que converse diretamente com os nossos compromissos de
4:58
sustentabilidade, eficiência energética e responsabilidade
5:02
social. Assim, acho que usar dados não
5:04
só para vender melhor e se manter competitivo no mercado,
5:07
mas para operar de forma mais responsável com com o grupo.
5:10
Assim, né, como a companhia para a sociedade assim que acho que é
5:13
o é 11 tema que eu pessoalmente sou muito entusiasta, né?
5:16
Então, usar dados em prol de de um bem maior, não.
5:19
Só do resultado da companhia assim, que eu acho que também
5:22
vai muito em linha com os valores da Heineken, né?