Falta de comparação: um grande problema em Startups early stage

Quando falamos de Startups early stage, falamos de uma empresa no início de sua jornada.

Primeiros clientes; primeiros talentos; primeiras jobs; primeiros processos e playbooks, e por aí vai.

Eis que surge um problema que parece simples mas é certeiro: a falta de comparação.

-Não consigo comparar o tempo de Onboarding de um cliente, pois não tive outro cliente nesses moldes
-Não consigo comparar performance de vendedor pois é meu primeiro vendedor
-Não consigo estabelecer metas semanais/quinzenais/mensais pois ninguém chegou a bater metas já que esse processo não existia dessa forma

É complicado.

Uma boa solução a meu ver é: se não tenho cases parecidos para comparar, seto uma métrica/meta e vou acompanhando isso com períodos anteriores – enquanto não consigo comparar com cases iguais.

Ex: Meu único SDR precisa passar 10 oportunidades/semana para vendas. Como foi semana passada? E a anterior? Quais gargalos no processo poderiam melhorar? O que a pessoa/champion que toca essa job poderia melhorar?

E assim, com um registro simples conseguimos iniciar as comparações, tão benéficas para Startups e para medirmos o andamento das iniciativas.

Nota: Certa vez ouvi o Diego Gomes (CEO Rock Content) comentar que a partir de um certo estágio da empresa conseguia sempre contratar no mínimo 2 vendedores entrando no mesmo dia para exatamente conseguir compará-los.

Até a próxima!

Tomada de decisão B2B x B2C

Esses dias acompanhei uma discussão sobre B2B x B2C com relação a tomada de decisão.

  • Quando vendemos para B2C, o cliente usa o emocional para comprar, e as consequências são dele mesmo, por ex: se o vinho que comprei na Amazon for de má qualidade.
  • Mas quando vendemos para B2B, apesar do cliente usar o emocional por ser humano, precisa tomar uma decisão racional que depende de benefícios; vantagens; funcionalidades; diferenciais e afins.

Outro ponto relevante:

  • Quando vendemos B2C podemos utilizar uma linguagem de propósito, como a Coca-Cola “vendendo a felicidade”
  • Já em B2B, muitas vezes o propósito não quer dizer muita coisa. Se vou assinar um CRM para minha empresa e vejo que o CRM “te leva até o infinito” isso não vai me ajudar mais do que benefícios, funcionalidades e comparativos. Pode ser um plus, mas não é o mais importante.

E para acabar:

  • Uma tomada errada de decisão B2C normalmente envolve: “Se não for bom, posso trocar ou mudar de ideia”, como na compra de um curso online por exemplo. Claro, se for uma enganação completa, o B2C pode reclamar/cancelar uma marca em questão de minutos. Perigoso desagradar o consumidor hoje em dia!
  • Já uma tomada errada de decisão B2B pode custar o emprego ou credibilidade da pessoa que defendeu a solução. O risco é maior, e por consequência normalmente o ciclo de vendas é maior também, especialmente quando a solução não é barata.

Enfim, ótimas reflexões acerca das diferenças em tomada de decisão. Espero que tenha contribuído!

Até a próxima.

A moeda da curadoria é a publicidade

Nunca havia pensado nessas palavras, mas o The News abriu meus olhos através de um insight.

A maior fonte de receita de empresas de curadoria é a venda de espaço publicitário.

Quando falo de curadoria, falo de:

  • Criadores de conteúdo: conteúdos sobre temas como futebol, gastronomia, viagens
  • Podcasts de entrevista: curadoria de pessoas e histórias
  • Newsletters: curadoria de notícias sobre algum tema
  • e outros tantos exemplos

Todos os criadores que realizam essa curadoria podem faturar através de publicidade e fazer bons negócios assim, afinal têm a faca e o queijo na mão e um público fiel que os acompanha.

Olha… vale a pena ler e assinar o The News, por esses e outros insights.

Seguramente há mais de 2 anos não preciso ser enviesado por meios de notícias com segundas intenções e de quebra surgem ideias boas a partir do conteúdo que trazem.

Obrigado The News!

Introdução a Metodologia Birdie

Escrevi este post não público para organização e estudo dos conceitos e funcionamento da solução Birdie.

A Birdie.ai permite que gerentes de produto tenham controle sobre o ciclo de vida de um produto.

O software da Birdie processa opiniões de consumidores através de diversas fontes, categorias e marcas para trazer uma tecnologia completa.

Grandes volumes de dados se transformam em insights acion´áveis para a tomada de decisão e priorização de equipes de produto.

1.Classificação da Inteligência Artificial na Birdie

Como citamos anteriormente, a matéria-prima da Birdie é opinião sobre produto.

A tecnologia Birdie se baseia em um conceito de análise chamado ABSA – Aspect-Based Sentiment Analysis. São 2 características dessa análise:

  • Ser granular, ou seja, 1 opinião pode ter trechos distintos para análise
  • Ter um detalhamento maior de cada opinião

A tecnologia da Birdie conta com 3 pilares de classificação para opiniões como a que vimos acima. Os pilares são:

a) TAXONOMIA

A Taxonomia garante que consigamos capturar aspectos destacados de certa opinião.

Ex: “Essa nova versão da geladeira é muito boa. Recomendo. O freezer funciona muito bem e resfria os alimentos rapidamente“.

Se parássemos aí estaríamos simplificando demais, e por isso utilizamos de Contexto e Sentimento também.

b) CONTEXTO

Garante que consigamos entender o contexto da opinião, com base na taxonomia. Utilizado para palavras-chave iguais com significados diferentes.

É importante lembrar que muitas soluções de social listening só capturam Taxonomia, sem Contexto e Sentimento. E a Birdie tem um grande diferencial já aqui.

Ex: “Este produto vale a pena”

e

Ex: “Não aproveitei tanto pois não consegui usar meu vale-alimentação para usar esse produto”.

O Contexto identificaria que “vale” tem significados diferentes, apesar de ser a mesma palavra.

c) SENTIMENTO

Afinal, tal opinião foi positiva, neutra ou negativa? O Sentimento vai nos ajudar com isso.

Ex: “Me espatifei no chão com este patinete elétrico. Não recomendo” traz claramente um sentimento negativo, o que é muito relevante na classificação.

Importante lembrar que 1 opinião pode ter diferentes sentimentos.

Ex: “Paguei barato por causa da Black Friday, mas a entrega atrasou 2 meses”.

Aspecto preço: positivo

Aspecto entrega: negativo

Em resumo, qualquer opinião que passar pela Birdie vai navegar por esses 3 pilares, utilizando da análise ABSA.

Recomendo este artigo para aprofundamento na análise ABSA.

2.Predição e Machine Learning

Dentro da Birdie possuímos “Predição” através do aprendizado de máquina (Machine Learning).

Em outras palavras, nossa Inteligência Artificial consegue aprender e evoluir a cada análise feita para refinar e trazer cada vez mais confiança nos dados gerados – e por consequência, insights certeiros para cada objetivo que os clientes Birdie possuem.

a) A precisão da Birdie

Hoje em dia a versão em inglês da Birdie acerta 80% das análises.

Ou seja:

  • De cada 100 análises, 20 poderiam ter sentimentos trocados (era neutro mas ficou positivo, por ex.)
  • De cada 100 análises, 80 tem sentimentos corretos (era neutro e permaneceu neutro dentro do App)

Importante ressaltar que a Inteligência Artificial tenta ao máximo balancear os 20% dos erros nos 3 tipos de sentimento. Seria muito ruim que os erros fossem otimistas demais (enviesado para classificação com sentimento positivo) ou pessimistas demais (enviesado para classificação com sentimento negativo).

De qualquer forma, 80% de acerto em primeira análise é um número alto pois é comum que existam opiniões com sentimentos conflitantes mesmo em análise humana. Vamos pegar um exemplo?

Na opinião: “Vocês deveriam ter um botão maior no site”, você diria que é uma opinião com sentimento Negativo ou Neutro?

  • Humano 1: “Eu acho que Negativo: o fato do botão ser pequeno demais está danificando a experiência dos usuários em nosso site”
  • Humano 2: “Você está errado! Claramente é Neutro: o botão poderia ser maior mas isso foi uma simples e caridosa sugestão deste usuário”

Ok, mas os 80% de precisão é uma % definitiva? Não! Aqui na Birdie não temos ponto final, pois nossa tecnologia está em constante aprendizado.

A cada 3 meses fazemos uma revisão a partir das opiniões e análises já feitas pela tecnologia Birdie, e vamos aumentando esses 80% ao longo do caminho para entregar dados mais confiáveis e melhores insights.

Os usuários Birdie também podem colaborar com essa melhoria contínua dando feedback caso vejam alguma opinião no App, que desejam trocar o Contexto ou o Sentimento (que vimos no item 1 deste post). É nosso Feedback Loop.

b) O reaprendizado da Birdie

Em paralelo da ideia de precisão, temos casos específicos onde o mercado ou a linguagem também pode mudar.

Por exemplo: um narrador de futebol famoso fez com que a expressão “Ridículo” se tornasse algo positivo, e muitas pessoas usam isso para dar opiniões positivas sobre produtos. E agora, a tecnologia da Birdie entenderia isso ao longo do tempo? Sim!

Isso só é possível pois o time capacitado da Birdie é quem gera os modelos. Não usamos modelos prontos da Amazon ou do Google. É tecnologia proprietária nossa, um Machine Learning que vamos refinando ao longo do tempo.

Importante lembrar: quando falamos da precisão e aprendizado constantes, cada idioma tem seu próprio caminho. Se estou chegando próximo a 90% de precisão em inglês para uma categoria, posso ao mesmo tempo estar em 80% em alemão ainda. Linguagens/idiomas são conjuntos específicos dentro do universo de Inteligência Artificial.

3.As métricas do app Birdie

Falamos muito sobre a classificação e a predição dentro da tecnologia Birdie.

Mas como isso aparece para os usuários do App na prática? Como os usuários podem se beneficiar desses dados e entender a solução Birdie? É isso que veremos nesta parte do post.

a) Share of Reviews (número de opiniões) – métrica quantitativa

O Share of Reviews é o número absoluto de opiniões.

Lembrando que 1 Opinião nada mais é que 1 texto publicado por um consumidor dentro de alguma fonte, por ex: “1 opinião na Reddit” ou “1 opinião no Instagram”, e por aí vai.

b) Share of Voice (distribuição de opiniões) – métrica quantitativa

Já o Share of Voice é o recorte de algo mais específico.

Quer um exemplo? Posso ter o Share of Voice de:

-Uma marca na categoria

-Um produto dentro da marca

-Um atributo dentro do produto da marca, etc.

Com isso, consigo definir análises como: “O público que fala sobre X representa 20% nesta categoria Y”.

c) Birdie Score (-100 a +100) – métrica qualitativa

É a média da análise de Sentimento dos consumidores, calculada por: Análise de Sentimento Positiva menos Análise de Sentimento Negativa dividido por # total de Análises.

Faz sentido quando temos um volume mínimo de opiniões, dependendo de cada caso.

Quando o Birdie Score está em:

  • Valores negativos = Baixos níveis de satisfação entre usuários
  • +30 a +100 = Sucesso

d) Star Rating – métrica qualitativa

É a média das notas que o próprio consumidor deu, porém levando em consideração os comentários e não simplesmente a nota.

Fazemos isso pois há muitos casos confusos de consumidores, por exemplo: Consumidor dá Nota 1 de 5 (nota ruim), mas escreve: “Excelente produto, recomendo!”.

Ou seja, hoje a Birdie só coleta os dados de quem dá opinião/review (nossa matéria-prima). Não coletamos dados de quem só dá nota ou estrela sem review.

*Estamos trabalhando para também coletar a Star Rating somente da nota dada (sem necessitar de reviews)

e) Birdie Impact

É a consolidação dos aspectos de cada produto de uma marca.

Por ex: A geladeira X está puxando o Birdie Score da marca Y para baixo e a geladeira Z para cima.

4.Conclusão: Diferenciais/Bene´fícios Birdie

Após passarmos por Classificação, X, Y quero reiterar grandes diferenciais e benefícios que temos com a Birdie.ai:

  • A classificação da Birdie é completa pois além de Taxonomia, capta também Contexto e Sentimento (análise ABSA);
  • A Inteligência Artifical da Birdie está sempre aprendendo como melhorar as análises, é algo em constante andamento – e isso faz com que possíveis problemas como “opinião com sarcasmo” e afins sejam refinados e melhorados ao longo do tempo. A isso podemos chamar predição;
  • Ao contrário de um NPS que nos traz “detrator ou promotor” a partir de respostas, a Birdie através de Taxonomia e Contexto traz um detalhamento muito maior de feedbacks. Conseguimos trazer “O PORQUE” de forma oposta: analisando os comentários para trazer dados e insights.
  • Também ao contrário de um NPS, com a tecnologia da Birdie consigo ter insights acionáveis e claros em um tempo muito menor – ao invés de ter um conjunto de respostas que não me dizem nada.

Até a próxima!

22 perguntas para refletir seu setor de RH (Recursos Humanos)

Peguei a ideia para este post com Ben Horowitz, através de seu clássico livro “O Lado Difícil das Situações Difíceis”.

Se você nunca leu ou não conhece este livro, faça. É o livro que mais li nos últimos anos e procuro ler sempre em que estou em uma diferente etapa de minha carreira.

Sempre traz algumas novidades, sempre um novo olhar. Sempre relevante.

Leia depois: Melhores frases de “O Lado Difícil das Situações Difíceis” (Ben Horowitz)

Para refletir seu setor de RH, colei do Livro 22 boas perguntas, divididas por segmentos específicos. Créditos a Ben Horowitz (não alterei uma vírgula!):

Recrutamento e contratação

  • Você tem uma compreensão clara das habilidades e dos talentos necessários para cada vaga em aberto?
Continuar lendo 22 perguntas para refletir seu setor de RH (Recursos Humanos)