PRINCIPIOS PRIMORDIAIS: De Aristoteles ao Data Science

 

Os primeiros princípios ou princípios primordiais são uma proposição ou suposição básica, fundamental, auto-evidente, que não pode ser deduzida de qualquer outra proposição ou suposição.

Na filosofia, os primeiros princípios são ensinados por Aristotélis, ja na matemática, os primeiros princípios são referidos como axiomas ou postulados. Em física e outras ciências, o trabalho teórico é dito a partir dos primeiros princípios, ou ab initio, se ele começa diretamente no nível da ciência estabelecida e não faz suposições como modelo empírico e ajuste de parâmetros.

Há cerca de 2.000 anos, Aristóteles definiu “Primeiros Princípios” como “a primeira base a partir da qual uma coisa é conhecida” . Esse conceito ainda é muito relevante e pode nos ajudar a encontrar uma solução inovadora para problemas complexos de ciência de dados. 

A ideia por trás do pensamento de primeiro princípio é dividir um problema complexo em suas partes fundamentais e, em seguida, usar uma abordagem de baixo para cima para construir uma solução única que não foi conceituada anteriormente.

Vejamos um exemplo hipotético disso :

Declaração do problema: rotatividade de clientes no varejo

Vamos considerar “XYZ” uma empresa varejista  tentando resolver o problema de rotatividade de clientes. Todos os anos, aproximadamente 10% de seus clientes churn e a empresa “XYZ” está procurando maneiras de reduzir o churn de clientes.

Abordagem tradicional

A abordagem tradicional quando se trata de resolução de problemas é o pensamento subjetivo. Ou seja, somos influenciados principalmente pelas suposições ou opiniões existentes. As etapas gerais envolvidas nesta abordagem assim são:

1.       Comece com as suposições existentes

2.      Identifique áreas para melhoria incremental com base nas suposições

3.      Explore as opções e escolha as melhores soluções

Agora, vamos considerar o cenário de rotatividade de clientes no varejo de energia e ver como ele seria resolvido usando uma abordagem tradicional. Conforme mencionado, o primeiro passo em uma abordagem tradicional será começar com suposições,

Suposições:

·         Experiência ruim com um agente do cliente leva ao churn

·         Churn pode ser evitado com descontos/ofertas

Com base nas suposições acima, agora apresentamos soluções que podem nos ajudar a resolver o problema.

·         Oferecer desconto para clientes insatisfeitos — Podemos identificar clientes insatisfeitos verificando o registro de reclamações

·         Foco em adquirir mais clientes

·         Identifique as categorias de reclamações que levam à maioria das rotatividades e use os agentes de melhor desempenho para lidar com esses problemas — isso pode ajudar a evitar uma experiência ruim para o cliente

·         Identifique os consumidores de alta classe e ofereça descontos proativamente

Acima estão algumas das soluções baseadas nas suposições. As vantagens aqui são,

·         As soluções identificadas aqui são fáceis de implementar e não exigem muito esforço.

·         A melhoria incremental pode ser alcançada rapidamente

Mas, por outro lado, as desvantagens são:

·         A principal razão para a rotatividade de clientes não é abordada

·         Não pode ser sustentado como uma estratégia de longo prazo (você não pode manter os descontos para sempre)

Abordagem do Pensamento do Primeiro Princípio

Agora vamos mostrar como o problema de rotatividade de clientes pode ser resolvido usando a abordagem do primeiro princípio. A ideia principal por trás dessa abordagem é gastar o máximo de tempo possível para entender o problema e depois tentar resolvê-lo. Como diz a citação de Einstein,

“Se eu tivesse uma hora para resolver um problema, passaria 55 minutos pensando no problema e cinco minutos pensando nas soluções.” 

Entenda o problema

Um dos melhores métodos para entender melhor o problema é fazer o máximo de perguntas possível. Nunca tome qualquer suposição como certa. Sempre faça perguntas, até que não haja mais perguntas!

Algumas perguntas que podem ajudar a entender melhor o problema são:

·         Quantos clientes fazem churn todo mês?

·         Qual é a média do setor para rotatividade de clientes?

·         Qual é o perfil do cliente?

·         Qual o perfil do churning de clientes?

·         Qual é a receita/lucro do cliente de diferentes perfis?

·         Quais são todas as razões para a rotatividade de clientes?

·         Existe alguma tendência?

Todas essas perguntas acima ajudam a entender melhor o problema, quantificar o problema e também ajudar a identificar as áreas de foco imediatas. Se você está tentando resolver um problema diferente, tente se concentrar em entendê-lo usando perguntas como por exemplo:

·         Qual é o problema?

·         Quão grande é o problema? (Quantificável em termos de $ ou clientes afetados)

·         Por que isso ocorre?

·         Quem está enfrentando o problema?

·         Quando isso ocorre?

Uma vez que uma boa compreensão do problema é alcançada, o próximo passo é começar a decompô-lo. Para esse problema de rotatividade de clientes, vamos decompô-lo com base no motivo da rotatividade de clientes. Isso ajuda a diferenciar os segmentos que podem ser resolvidos e aqueles que não podem ser resolvidos. Digamos que a rotatividade de clientes pode ser agrupada em uma das categorias abaixo:

1.       Um cliente que está mudando de estado, onde nosso serviço de revendedores não está disponível?

2.      Churn devido ao fechamento de negócios

3.      Churn nos primeiros 3 meses

4.      Cliente que é cliente regular há mais de 3 meses e depois cancela

Das razões acima, poucas são solucionáveis ​​e as outras são insolúveis. As categorias 1 e 2 são insolúveis porque na primeira categoria o cliente está se mudando para um local onde o varejista  não oferece serviço e na segunda categoria o cliente cancela devido ao fechamento do negócio e não há nada que possa ser feito a partir do ponto de vista do varejista .

A terceira categoria em que o cliente cancela em 3 meses é um problema, mas isso deve ser considerado um problema de integração e não um problema de rotatividade. Como esses clientes não gastavam tempo suficiente para se tornarem clientes oficiais, eles quase não gastavam tempo.

Então, agora só nos resta a 4ª categoria. Esta categoria de clientes pode ser dividida em grupos,

·         Subdivida o cliente em outras categorias com base no valor da vida útil do cliente, idade na plataforma etc.

Essa subdivisão realmente ajuda a identificar os microssegmentos que precisam de foco imediato e aqueles que podem ser ignorados. Continue com a subdivisão das categorias até que os grupos/categorias individuais sejam muito menores

O que dizem os dados? ( Finalmente o Data Science)

Com base nas divisões acima, identifique os segmentos/categorias que precisam de foco imediato. Para todos esses clientes, explore seus dados nas diferentes unidades de negócios. Como em nosso problema de churn, a análise que precisa ser feita seria,

·         Qual tem sido o padrão de uso  dos clientes?

·         Houve alguma reclamação desses clientes? Qual foi o tempo para resolver essas reclamações? Quem lidou com essas reclamações?

·         Houve alguma interação com o cliente nos últimos 2 meses?

·         Algum desses clientes recebeu comunicação de marketing?

Resolva usando a abordagem de baixo para cima

Com base na análise de dados acima, descubra os 10 a 15 principais cenários que estão levando os clientes ao churn. Aprofunde-se nesses cenários identificados, digamos que temos um cenário em que o cliente que entra em contato com o centro de suporte em relação ao problema de cobrança acaba, na maioria das vezes, cancelando. Precisamos entender exatamente o motivo que pode ter levado esses clientes ao churn. 

A razão pode ser por exemplo:

·         Essas categorias demoram mais tempo  para  serem resolvidas? 

·         Por que demoram mais para resolver?

·         Qual é a media de  tempo que é necessário para regularizar problemas parecidos em outras categorias ? E muito menor?  Por que eles levam menos tempo?

Como acima, faça o máximo de perguntas possível até que não haja mais perguntas. Dessa forma, os problemas ficam claros e, portanto, podem ser resolvidos de forma proativa.

O que está impedindo muitos cientistas de dados de usar o primeiro Princípio do Pensamento?

Embora possamos ver claramente que o pensamento do primeiro princípio é a maneira de resolver o problema. Mas então por que os cientistas de dados não os usam em todos os casos de uso que estão resolvendo?

A razão é o tempo. Sim, 'tempo' é um recurso muito crítico e a equipe de ciência de dados geralmente trabalha em várias tarefas com diferentes níveis de criticidade e, portanto, pode haver alguns problemas que não valem o suficiente para serem resolvidos usando a abordagem de pensamento do primeiro princípio

Mas quando há um problema de negócios que tem um impacto maior nos negócios, é melhor ser resolvido usando a abordagem de pensamento do primeiro princípio, em vez de buscar aprimoramentos incrementais.

E ai o que achou ? deixe seu comentário e vamos começar um bate papo?