Gerenciamento de marca na era digital

Jeferson Machado Santos

Jeferson Machado Santos

Tempo de leitura 4 minutos

Categoria Gestão

Por Jeferson Machado Santos, IT Sr. Consultant da Peers.

 

 

A importância de monitorar o que falam sobre a marca com eficiência e agilidade para uma boa gestão de imagem

Não é novidade que redes sociais se consolidaram como o principal canal de marketing para a maioria das empresas – comunicação em diversos formatos, contato direto com o consumidor e possibilidade de segmentação são apenas alguns dos atrativos desses canais para as relações entre marca e consumidor. A acessibilidade do contato favorece não apenas as companhias que trabalham pela captação de novos clientes e fidelização, mas traz também benefícios para o consumidor que, pela primeira vez, se vê próximo às empresas que fornecem seus produtos, podendo publicar reclamações, elogios ou pedidos diretamente para a empresa ou para todos os seus contatos.
Dessa liberdade de expressão e comunicação surge também uma forma particular de ansiedade – a preocupação com o que será dito sobre a marca. Sabendo que um comentário negativo pode viralizar e ser visto por milhões de pessoas em poucas horas, não surpreende que as empresas estejam sempre de olho para monitorar comentários negativos, críticas e tudo que possa levar a uma crise de imagem ou ao popular “cancelamento”. Contudo, existem caminhos para otimizar esse processo, e realizar esse monitoramento sem as ferramentas e tecnologias adequadas pode trazer alguns empecilhos.

 

Natural Language Processing (NLP)

Atualmente, as companhias podem contar com soluções tecnológicas que envolvem algoritmos de NLP (Natural Language Processing), que possuem a capacidade de interpretar um texto (como por exemplo de um comentário em rede social) e classificá-lo como positivo ou negativo. Esse monitoramento também pode ser realizado em real time, permitindo tomadas de decisão e ações rápidas pelos times responsáveis. Para esse monitoramento, pode ser desenvolvido um dashboard a fim de exibir o desempenho das publicações de uma marca em real time conforme o exemplo abaixo:

Uma solução como esta também pode ser utilizada para monitorar feedbacks, perfis de clientes e concorrentes. Os principais benefícios de uma solução de análise de sentimento em redes sociais são:
  • Antecipar e evitar uma crise de relações públicas;
  • Coletar e classificar feedbacks dos clientes e abordar pontos de melhoria no serviço / produto;
  • Entender movimentos e posicionamento de concorrentes;
  • Identificar influenciadores.

 

Para que o potencial máximo desses modelos possa ser atingido, é necessário que existam processos e uma arquitetura de dados que atenda a essas exigências. Por exemplo, um modelo de monitoramento das redes não seria tão útil se contasse com uma carga de dados dos posts uma vez por dia, considerando que atualmente empresas possuem dezenas de publicações diárias e os comentários podem chegar aos milhares. Pensando nisso, um gap de 24 horas de dados comprometeria todo o resultado prático. Assim, a arquitetura de dados da companhia deve estar voltada para a captura de dados real time, com tecnologias e pipelines de dados orientados a eventos.
Abaixo há um exemplo de arquitetura genérica envolvendo consultas em um API (Application Programming Interface, que significa Interface de Programação de Aplicativos) de rede social e consumo através de tecnologia orientada a eventos, como o Apache Kafka. Os dados coletados no dia corrente podem ser armazenados em um data lake ou em uma base de dados não relacional, que proverá maior disponibilidade em função da velocidade e volume de informações. Diariamente, é possível ter uma arquitetura orquestrada pelo Airflow para extrair os dados armazenados nas últimas 24 horas e armazená-los de maneira mais estruturada em um banco relacional ou mesmo no data lake, visando análises em um prazo mais longo.

Da mesma forma, os algoritmos devem ser testados e melhorados ao longo do tempo. Análogo às esteiras de DevOps, a organização dos processos de desenvolvimento e deploy de algoritmos de machine learning em uma esteira de Data Ops é importante para garantir versionamentos, possuir um baseline de desempenho e implementar melhorias, bem como automatizar testes e deploy e aumentar a produtividade dos cientistas de dados e engenheiros de machine learning.

 

Riscos de não se utilizar

Monitorar crises com possíveis danos à imagem da marca sem os processos e tecnologias adequados pode gerar alguns problemas, um deles sendo a possível demora de resposta. Por falta de monitoramento ao vivo, uma crise pode ter seu início abrupto e se não for percebida e gerenciada com rapidez, pode trazer consequências cada vez maiores e mais difíceis de amenizar. Ainda, sem uma visão analítica do todo pode-se, por exemplo, extrapolar a magnitude de um comentário negativo e chegar a tomar medidas extremas que seriam talvez reações desnecessárias a um comentário isolado.

 

Somos uma consultoria de gestão de negócios que oferece soluções em projetos Digital e Analytics. A Peers tem experiência em projetos de transformação digital, além dos focados na solução específica, para que seja possível atuar na definição da estrutura de atuação das áreas envolvidas e implantação de métodos ágeis e setup de esteiras Dev Ops e Data Ops.
Voltar para todos os artigos
[bws_pdfprint display="pdf"]