BIG_DATA_E_O_CUSTOMER_EXPERIENCE_NA_ERA

Prévia do material em texto

FIA – FUNDAÇÃO INSTITUTO DE ADMINISTRAÇÃO 
Programa de Capacitação Executiva 
 
 
 
Cristina Saemi Katae 
Edgar Nishiyama 
Fernanda Marceli Lencek Alcantara 
Guilherme Cuchierato 
Jacqueline Grippe da Silva 
 
 
 
 
 
BIG DATA E O CUSTOMER EXPERIENCE NA ERA DO MARKETING 3.0 
 
 
 
 
 
 
 
São Paulo 
2015 
 
 
 
 
 
Cristina Saemi Katae 
Edgar Nishiyama 
Fernanda Marceli Lencek Alcantara 
Guilherme Cuchierato 
Jacqueline Grippe da Silva 
 
 
 
 
BIG DATA E O CUSTOMER EXPERIENCE NA ERA DO MARKETING 3.0 
 
 
 
 
 
Trabalho prático final apresentado à FIA – 
Fundação Instituto de Administração – como 
requisito para obtenção do certificado de 
conclusão do curso de Capacitação Executiva 
– CapExecutivo – Turma 9. 
 
Orientador: Prof. Roberto Alonso 
 
 
 
 
 
 
 
 
São Paulo 
2015 
 
 
 
 
 
Big Data e o Customer Experience na era do Marketing 3.0 / 
Cristina Saemi Katae... [et al.]. São Paulo: [s.n.], 2015. 
128 f. : il., tab. 
 
Demais autores: Edgar Nishiyama, Fernanda Marceli Lencek 
Alcantara, Guilherme Cuchierato, Jacqueline Grippe da Silva. 
Orientador: Roberto Alonso Ribeiro 
Área de concentração: Marketing 
Programa de Capacitação Executiva – CapExecutivo 
 
l. Big Data Marketing 2. Customer Experience 
 3. Marketing 3.0 - São Paulo - Brasil 
I. Katae, Cristina Saemi II. Programa de Capacitação Executiva-
CapExecutivo V. FIA - Fundação Instituto de Administração. 
FOLHA DE APROVAÇÃO 
 
 
 
 
 
Cristina Saemi Katae 
Edgar Nishiyama 
Fernanda Marceli Lencek Alcantara 
Guilherme Cuchierato 
Jacqueline Grippe da Silva 
 
 
 
 
BIG DATA E O CUSTOMER EXPERIENCE NA ERA DO MARKETING 3.0 
 
 
 
______/______/_______ 
 
 
Banca Examinadora: 
 
 
_____________________________________ 
Prof. Roberto Alonso Ribeiro 
Orientador 
 
 
_____________________________________ 
Prof. 
 
 
_____________________________________ 
Prof. 
 
 
 
Julgamento___________________________Assinatura_______________________ 
 
 
DEDICATÓRIAS 
 
 
 
À minha família que, cоm carinho е apoio, nãо mediu esforços para qυе еυ 
chegasse аté aqui. Аоs meus amigos, pеlаs alegrias, tristezas е dores 
compartilhas. E, em especial, a meu pai, Yutaka Katae (in memoriam), a força 
sem a qual este trabalho e muitos dos meus sonhos não se realizariam, 
Cristina Saemi Katae 
 
 
À minha esposa, Cíntia, ao meu filho, Victor, e à minha mãe, Luiza (in 
memoriam), meus amores e minhas referências eternas de conduta, 
Edgar Nishiyama 
 
 
Aos meus pais, Benedito e Elenice Lencek, ao meu esposo, Alex Alcantara, e 
à minha filha, Isabella Lencek Alcantara, que são minha inspiração e razão da minha 
vontade de ser uma pessoa melhor a cada dia,Fernanda, 
 Marceli Lencek Alcantara 
 
 
À minha esposa, Andrea Glezer, ao meu filho, Theo Glezer Cuchierato, ao 
meu pai, Newton João Cuchierato, e à minha mãe, Iacy Rodrigues Cuchierato (in 
memoriam), meus amores, minhas inspirações e minhas maiores motivações, 
Guilherme Cuchierato 
 
 
A Deus, por ter me dado forças para superar as adversidades, ao meu 
esposo, Nelson Rodrigo da Silva, e ao meu filho, Gabriel Grippe da Silva, e à minha 
mãe, Aparecida Grippe, pelo apoio incondicional e por serem meus maiores 
motivadores, 
Jacqueline Grippe da Silva 
 
AGRADECIMENTOS 
 
Em primeiro lugar, agradecemos a Deus, nosso Pai Maior, pelo amor, pela 
vida e pela bênção de termos chegado até este momento. 
Agradecemos também: 
Aos nossos familiares, de quem sequestramos as nossas presenças no 
convívio da maioria das noites de sexta-feira e dos sábados de 2015, pelo apoio, 
pelo incentivo, pelas condições materiais e emocionais, que nos permitiram chegar 
ao final do curso. 
Ao Professor Orientador Roberto Alonso Ribeiro, que nos honrou com a 
oportunidade de termos sido seus orientandos, que tornou possível a realização 
desta monografia, e que disponibilizou seu tempo e seu conhecimento sempre que 
necessário. 
Ao Professor Doutor Almir Ferreira de Sousa, coordenador do Programa 
CapExecutivo, e ao Professor Doutor Carlos Eduardo de Mori Luporini, vice-
coordenador do Programa CapExecutivo, pela oportunidade e pela honra de termos 
sido alunos deste inigualável programa de aperfeiçoamento para executivos. 
A todos os Professores da Turma 9 do Programa CapExecutivo, pela 
disposição, pelo companheirismo, pela amizade, pelo carinho, pelas dicas, pelos 
conteúdos de suas aulas e pela dedicação. 
A todos os Palestrantes da Turma 9 do Programa CapExecutivo, por terem 
contribuído com suas experiências em prol de nosso desenvolvimento. 
À FIA – Fundação Instituto de Administração, pelo privilégio e pela honra de 
termos podido frequentar seus bancos escolares na condição de alunos bolsistas e 
de termos podido utilizar sua infraestrutura em benefício de nossos estudos e 
pesquisas. 
À ABA, Associação Beneficente Anhembi, igualmente pelo privilégio e pela 
honra de termos podido ser bolsistas do Programa CapExecutivo, 
Aos monitores docentes Edson Leite e José Luis Nubie Policastro, pela 
amizade, pelo companheirismo e por tantas vezes terem nos acolhido, em 
momentos de incertezas e dúvidas, em relação às regras do jogo. 
 
 
Aos colaboradores do ProCED, Programa e Capacitação da Empresa em 
Desenvolvimento da FIA. 
E, por fim, mas não menos importante, aos amigos e colegas da Turma 9 do 
Programa CapExecutivo, a melhor Turma 9 da história deste programa, pelos 
incontáveis momentos de alegria, de compartilhamento de experiências e de 
informações, pelas inúmeras gargalhadas decorrentes de festivo ambiente, pelas 
sugestões e pela empatia demonstrada ao longo de toda a duração do nosso curso. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
“To those who dream of a scientific world of 
fewer egos and more open minds and to all who 
dream of a world of peace and prosperity 
through knowledge and learning for everyone.” 
Lytras e Naeve 
 
 
 
RESUMO 
 
O presente trabalho se dedica a estudar o conceito de Big Data, com o objetivo de 
investigar seu potencial como instrumento capaz de agregar valor ao marketing, 
reverberando em estratégias de Customer Experience no ambiente do Marketing 3.0. 
Na era das tecnologias disruptivas e internet, os usuários deixam cada vez mais 
rastros sobre seus hábitos. A inteligência de dados é um meio de transformar essas 
“pegadas” digitais em insights relevantes sobre o comportamento de consumidores. 
Informações precisas e valiosas ajudam as empresas a direcionar estratégias de 
marketing que resultarão em maiores taxas de conversão, engajamento e vendas. É 
nesse aspecto que o Big Data atua. A partir da leitura de dados não estruturados, 
ele permite às empresas conhecer melhor seus consumidores, entender tendências 
de consumo e formatar soluções. As organizações que forem capazes de ter uma 
visão holística dos clientes e souberem enfrentar as mudanças conseguirão ser bem 
sucedidas. 
Palavras-chave: Big Data; Experiência do Cliente; Marketing 3.0 
 
ABSTRACT 
 
This project aims to study the concept of Big Data as a tool capable of adding value 
to marketing, reverberating into the form of Customer Experience strategies in the 
human centric Marketing 3.0 environment. In the era of technology disruption and 
internet, users leave digital traces about themselves everywhere. Customer data 
intelligence is a means whereby businesses turn those digital footprints into 
meaningful insights of customer behavior. Objective and valuable information help 
direct marketing resources towards strategies that will result in higher conversions, 
engagement and sales rates. It’s in this context that Big Data performs. Through the 
interpretation of unstructured data, companies have a way of knowing their 
customers better, understanding consumption tendencies and generating solutions. 
Those companies that have a holistic viewpoint of its customersand are brazen 
enough for change will manage to succeed. 
Keywords: Big Data; Customer Experience; Marketing 3.0
SUMÁRIO 
 
1 INTRODUÇÃO ................................................................................................................. 23 
1.1 Histórico da gestão de dados para o relacionamento com os clientes.......................... 25 
2 PROBLEMA DE PESQUISA ............................................................................................ 29 
2.1 Objetivo geral ................................................................................................................. 29 
2.2 Objetivos específicos ..................................................................................................... 30 
2.3 Justificativa .................................................................................................................... 30 
2.4 Organização da pesquisa .............................................................................................. 33 
3 CONTEXTO E REALIDADE INVESTIGADA .................................................................... 34 
3.1 Ecossistema de dados ................................................................................................. 35 
3.1.1 Dados próprios (1st party data) ................................................................................... 35 
3.1.2 Dados de terceiros (3rd party data) ............................................................................. 36 
3.1.3 Dados compartilhados com parceiros (2nd party data) ............................................... 38 
3.2 Integração dos dados .................................................................................................... 38 
3.3. Dados estruturados versus dados não estruturados ..................................................... 39 
4 BIG DATA ........................................................................................................................ 40 
4.1 Big Data e tecnologia ..................................................................................................... 41 
4.1.1. ETL, DW, BI, cloud computing, Big Data, data lake ................................................... 41 
4.1.2 Soluções de Big Data.................................................................................................. 44 
4.1.2.1.1 Ecossistema de ferramentas presentes com o Hadoop......................................... 47 
4.2 Novos perfis profissionais e a era da cultura de dados .................................................. 48 
4.2.1 Cientista de dados ...................................................................................................... 49 
4.2.2 Especialista em dados ................................................................................................ 49 
4.2.3 Administrador / Facilitador de dados ........................................................................... 49 
4.3 Big Data e análise de dados .......................................................................................... 49 
4.3.1 Métodos analíticos e Big Data para obtenção de insights ........................................... 51 
4.3.2 Estratégia analítica ..................................................................................................... 55 
 
 
4.3.3 Metodologia de análise de dados no mundo do Big Data ............................................ 57 
4.3.4 Ferramentas de data mining e análises de Big Data ................................................... 61 
4.3.5 Aplicações de Big Data ............................................................................................... 67 
4.3.6 Tipos de análises com o Big Data ............................................................................... 68 
4.4 Big Data e Customer Experience ................................................................................... 75 
4.4.1 Customer experience e a privacidade e segurança dos dados no mundo do Big Data 81 
4.4.2 Customer Experience: Estratégia de interação com o consumidor .............................. 84 
4.4.3 Customer Experience no Brasil ................................................................................... 85 
4.4.4 Aplicação prática: Toyota - Big Data e o insight para a visão 360 graus dos clientes .. 87 
4.5. Big Data e Marketing 3.0 ............................................................................................... 91 
4.6 Casos práticos de aplicações de Big Data ..................................................................... 93 
5 CONSIDERAÇÕES FINAIS ............................................................................................ 103 
5.2 Transformações do Big Data no marketing .................................................................. 103 
5.2.1 Big Data e os 4 Ps do marketing ............................................................................... 103 
5.2.2 Big Data e o modelo tradicional de trabalhar dados .................................................. 105 
6 CONCLUSÕES ............................................................................................................... 108 
7 PROPOSTAS PARA PESQUISAS FUTURAS ............................................................... 108 
REFERÊNCIAS ................................................................................................................. 111 
ANEXOS ........................................................................................................................... 118 
LISTA DE ILUSTRAÇÕES 
 
Figura 1 - Data warehouse: enfoque tradicional de integração dos dados .......................... 26 
Figura 2 - Evolução dos sistemas de acordo com o volume de dados ................................ 29 
Figura 3 – Integração de daods & ETL ................................................................................ 42 
Figura 4 – Ecossistema do Apache Hadoop ....................................................................... 47 
Figura 5 – Diagrama de transição de dados, informação, conhecimento e sabedoria. ........ 51 
Figura 6 – Tendência do showrooming ............................................................................... 77 
Figura 7 – O Impacto do Customer Experience ................................................................... 79 
Figura 8 – Processo centrado no consumidor ..................................................................... 84 
Figura 9 - Top 20: ranking das empresas segundo a experiência que proporcionam aos 
clientes (CX INDEX 2015) ................................................................................................... 87 
Figura 10 – Toyota: Data-Driven e Visão 360 do consumidor com Apache Spark e MLlib .. 89 
Figura 11 – Sistema de Recomendação da Amazon.com ................................................... 94 
Figura 12 – Homepage Amazon.com personalizada ........................................................... 95 
Figura 13 – Consulta de produtos no site amazon.com ....................................................... 96 
Figura 14 – Homepage personalizada Netflix ...................................................................... 98 
Figura 15 – “House of Cards” - Produção Netflix baseada em Big Data .............................. 99 
Figura 16 – Knowledge Graph Google .............................................................................. 101 
Figura 17 – Links patrocinados vs. Busca orgânica .......................................................... 102 
Figura 18 – cdkitchen.com – website da “rede de display” com anúncios personalizados . 103 
 
LISTA DE GRÁFICOS 
 
Gráfico 1 – Tipos de dados próprios utilizados pelas empresas .......................................... 36 
Gráfico 2 - Tipos de dados de terceiros utilizados pelas empresas ..................................... 37 
Gráfico 3 - Aumento do market share .................................................................................53 
Gráfico 4 - Redução do ciclo de vendas e redução dos custos de venda ............................ 54 
Gráfico 5 – Benefícios do uso de dados na tomada de decisões ........................................ 55 
Gráfico 6 – As dez ferramentas analíticas mais usadas ...................................................... 62 
Gráfico 7 – Motivação para compra na loja – Tendência de showrooming .......................... 76 
 
 
 
LISTA DE TABELAS 
 
Tabela 1 – Comparativo de ferramentas de análise ............................................................. 66 
Tabela 2 – Principais alterações promovidas pelo Big Data ............................................. 107 
 
 
LISTA DE ABREVIATURAS E SIGLAS 
 
AWS – Amazon Web Services 
B2B – Business-to-Business 
B2C – Business-to-Consumer 
B2H – Business-to-Human 
BI – Business Intelligence 
BLOB - Binary Large Objects 
CEO – Chief Executive Officer 
CMO – Chief Marketing Officer 
CRM – Customer Relationship Management 
CSV – Comma Separated Value 
CXM – Customer Experience Management 
DMA – Direct Marketing Association 
DMP – Data Management Platform 
DW – Data Warehouse 
ETL – Extract Transform and Load 
GFS – Google File System 
IDRF – Identificação por Rádio Frequência 
ITSMA - Information Technology Services Marketing Association 
JSON - JavaScript Object Notation 
KDD – Knowledge Discovery in Databases 
NER – Named Entity Recognition (em português, REM) 
NIST - National Institute of Standards and Technology 
NoSQL - Not Only SQL - Não Somente SQL 
NPL – Natural Language Processing (em, português, PLN) 
PNL – Processamento de Língua Natural (em inglês, NPL) 
POST – Part-of-Speech Tagging (ou POS Tagging) 
 
 
RCFile – Record Columnar File 
REM – Reconhecimento de Entidade Mencionada (em inglês, NER) 
RFID - Radio Frequency IDentification (IDRF) 
SQL - Structured Query Language 
TOMS – Topic Oriented Multimedia Summarization System 
TRECVID – TREC Video Retrieval Evaluation 
GPS – Global Positioning System 
URA – Unidade de Resposta Audível 
XML - Extensible Markup Language 
 
23 
 
1 INTRODUÇÃO 
Na década de 1980, Alvin Toffler (TOFFLER 2001) preconizou o que hoje se 
testemunha – a economia caminhou da produção para a informação. Segundo o 
autor, a maneira como a humanidade produziu riqueza ao longo do tempo pode ser 
dividida em “ondas”: a primeira é a da agricultura, caracterizada pela terra e pelo 
arado; a segunda veio com a Revolução Industrial, quando a terra deu lugar à 
indústria e aos bens de consumo, capitaneada pelo motor a vapor; e a terceira onda 
deu-se quando a geração de riqueza cedeu lugar ao conhecimento. A propagação 
do computador pessoal e as diversas mudanças na sociedade conduziram à “era da 
informação”, em que tecnologia, dados e inteligência são tipos de capital essenciais 
ao sucesso. 
A partir de meados dos anos 90, as primeiras mudanças em direção a essa 
nova sociedade foram mais evidenciadas – a informatização alterou o fluxo e a 
organização da informação. Na década seguinte, um fenômeno disruptivo1 contribuiu 
para acelerar essa economia da informação – a internet acessível a todos. 
Esse fato mudou o modo como a sociedade lida com os mais diversos 
aspectos, do religioso ao cultural, do político ao econômico. As empresas foram 
obrigadas a rever seus parâmetros de valor em suas estratégias de negócios. Uma 
ideia que gera vantagem competitiva passou a ser considerada como ativo essencial 
e de fundamental importância, como se pode observar nos comentários de vários 
especialistas. 
Informação é poder, logo, se uma empresa souber como utilizar os dados 
que tem em mãos, poderá entender como melhorar um produto, como criar 
uma estratégia de marketing mais eficiente, como cortar gastos, como 
produzir mais em menos tempo, como evitar o desperdício de recursos, 
 
 
1
 Adjetivo derivado do substantivo disrupção, ou seja, “fratura; interrupção do curso normal de um processo”, segundo o 
dicionário Houaiss. 
O americano Clayton M. Christensen, professor de Harvard, transformou o termo disruptive em um conceito, ao falar sobre 
“tecnologias disruptivas”, nome de seu livro de 1995, e dois anos depois em “inovação disruptiva”, no título “O dilema da 
inovação”. Segundo Christensen, a teoria do disruptivo explica o fenômeno segundo o qual uma inovação simples, conveniente 
e acessível transforma mercados ou setores complexos e de alto custo e altera definitivamente conceitos e práticas, 
redefinindo completamente a indústria. (http://www.christenseninstitute.org/key-concepts/disruptive-innovation-2,/. Acesso em 
02 de setembro de 2015). CHRISTENSEN, Clay. Disruptive Innovation Explained. 30 de Março de 2012. 
https://www.youtube.com/watch?v=qDrMAzCHFUU (Acesso em 02 desetembro de 2015). 
 
24 
 
como superar um concorrente, como disponibilizar serviços para a um 
cliente especial de maneira satisfatória [...]. (ALECRIM 2015) 
 
Conhecimento é o valor dos negócios de hoje e tem sido a fonte do poder 
econômico, há muitas décadas. Muitos dos mais interessantes e valiosos 
novos negócios atuais são aqueles fundamentalmente orientados por 
informações. (traduzido de: HINCHCLIFFE 2011) 
Muitas empresas perceberam essas mudanças, fundamentais e de longo alcance, e 
entenderam que utilizar essas informações com inteligência poderia ajudar as áreas 
de marketing, por exemplo, a veicularem aos consumidores a mensagem certa, para 
atender a seus desejos e suas necessidades, no momento adequado e no lugar 
certo. A “palavra-chave”, então, passou a ser relevância. Muitas corporações, a 
partir da década passada, aprenderam a extrair vantagens de poderosas estruturas 
de database marketing2 ou complexos sistemas de CRM3 integrados aos sistemas 
da empresa para apresentar relevância e interesse aos seus clientes e, assim, gerar 
relacionamentos rentáveis e sólidos. 
Uma década mais tarde, com a sociedade digital e suas ferramentas, o 
processo de produção e armazenamento de informações tomou outras proporções. 
A chamada “era da informação” também trouxe a “era da abundância de 
informações”. Os dispositivos móveis, as Webs 2.0 e 3.0, as redes sociais, os blogs, 
os vídeos, o GPS, a computação em nuvem (Cloud Computing), a Internet das 
Coisas (IoT - Internet of Things 4 ), a tecnologia dos “vestíveis” ou “usáveis” 
(wearables5) e todas as demais novas tecnologias que surgem diariamente, estão 
 
 
2
 Database marketing – Tecnologia de banco de dados aplicada em marketing para desenvolver, criar e gerenciar dados de 
clientes, como perfil e histórico de interações com a companhia. Essas informações são usadas para localizar, selecionar, 
abordar, manter e estabelecer relacionamentos duradouros com os consumidores. (traduzido de: AMA – American Marketing 
Association. AMA Dictionary. https://www.ama.org/resources/Pages/Dictionary.aspx?dLetter=D. Acesso em 11 de julho de 2015. 
3
 CRM - Customer Relationship Management – Gestão do Relacionamento com o Cliente – Disciplina que combina tecnologia 
de banco de dados com serviços ao cliente e comunicação de marketing. O CRM procura desenvolver comunicações 
individualizadas com os consumidores, analisando dados pessoais (demográficos, sociais, transacionais, etc.). Inclui desde a 
mais simples forma de emails personalizados até comunicações mais complexas, como comunicações de marketing 
individualizadas e direcionadas, seja em anúncios de publicidade, visitas a web sites ou em ligações nos serviços de 
atendimento ao consumidor. (traduzido de: AMA – American Marketing Association. AMA Dictionary. 
https://www.ama.org/resources/Pages/Dictionary.aspx?dLetter=C#customer+relationship+management. Aacesso em 11 de 
julho de 2015. 
4
 IoT ou Internet of Things - sensores wireless, identificação por radio frequência e a nanotecnologia, que conectam as todas 
as coisas. 
5
 Wearables- pulseiras, braceletes, relógios, óculos, anéis, trajes e aparelhos digitais que podem ser acoplados ao corpo. 
https://www.ama.org/resources/Pages/Dictionary.aspx?dLetter=D
25 
 
transformando como a sociedade se conecta e se comunica e como as empresas 
oferecem novos produtos e se relacionam com seus consumidores. 
As corporações começam a tirar proveito dessas novas fontes de informações 
não estruturadas que fluem velozmente – batizadas, no conjunto, de “Big Data”. 
As transformações são crescentes em todos os setores do mundo de 
negócios. Surgem novos participantes, alteram-se posições competitivas, novas 
tecnologias precisam ser aprendidas com rapidez, profissionais desenvolvem novas 
habilidades e o marketing se reinventa. 
As empresas que conseguirem se adaptar serão capazes de enfrentar melhor 
essa revolução. Na era do Big Data, isso se traduz em habilidade para extrair 
informações relevantes – insights – do oceano de dados para orientar a tomada de 
decisões e responder às alterações do mercado de forma mais eficiente. 
Este trabalho se propõe a descrever o Big Data no cenário de 
transformações e suas contribuições para o “novo marketing”, no qual o CRM 
(Customer Relationship Management) caminha para o CXM (Customer Experience 
Management), e o Marketing 1.0, com foco no produto, e o Marketing 2.0, voltado 
para o consumidor, cedem espaço para o Marketing 3.0, centrado no ser humano 
(KOTLER, KARATAJAYA e SETIAWAN, Marketing 3.0: as forças que estão 
definindo o novo marketing centrado no ser humano 2010), promovendo o B2C 
(Business-to-Consumer) a B2H (Business-to-Human). Com isso, será possível 
compreender essa conjuntura, à qual os gestores estão sendo desafiados a 
responder de muitas formas. 
1.1 Histórico da gestão de dados para o relacionamento com os clientes 
O uso de dados para tomada de decisões de marketing não é recente. Desde 
a década de 1990, as companhias começaram a perceber o valor das informações 
que possuem de seus consumidores. Segundo Peter Sondergaard, vice-presidente 
sênior do Gartner Group, “informação é o combustível do século 21, e o sistema de 
análise é o motor” (BIRCKHEAD 2014). 
Tal visão impulsionou a necessidade de organizar os dados que as empresas 
possuíam para manter um histórico do relacionamento estabelecido com cada 
26 
 
cliente e possibilitar a “visão única do consumidor”. Era preciso registrar, em um só 
lugar, perfil sócio-demográfico, interesses, preferências e transações com a empresa, 
cruzando todos os dados dispostos nos bancos de dados separados: financeiro e 
contábil, compras, dados cadastrais, respostas de campanhas e ações de 
relacionamento. O data warehouse (DW), um grande “armazém de dados”, surgiu 
para solucionar esse problema. 
Essa tecnologia permitiu reunir todos os dados da empresa, possibilitando 
uma visão integrada dos clientes, fornecedores e principais stakeholders da 
organização e gerar análises mais detalhadas. Com o uso da tecnologia e dos dados, 
os profissionais de marketing passaram a compreender seus clientes, elaborar 
estratégias e direcionar campanhas personalizadas, obtendo resultados 
significativos. 
A Figura 1 ilustra o processo de integração dos dados em um data warehouse. 
 
 
Figura 1 - Data warehouse: enfoque tradicional de integração dos dados 
Fonte: (BIRCKHEAD 2014) 
 
Nesse contexto, desponta o database marketing como disciplina, um conceito 
de negócios que propiciou formas de se comunicar com os consumidores, atuais e 
potenciais (prospects), individualmente, estabelecendo o chamado diálogo one-to-
one (um a um) e gerando um relacionamento duradouro, conceituado por Peppers e 
27 
 
Rogers como Marketing um a um ou Marketing individualizado (PEPPERS e 
ROGERS 1994). 
O antigo paradigma, um sistema de produção em massa, mídia de massa e 
marketing de massa, está sendo substituído por um paradigma inteiramente 
novo, um sistema econômico individualizado. O futuro individualizado será 
caracterizado pela produção personalizada, uma mídia individualmente 
abordável, um marketing individualizado, mudando totalmente as regras da 
concorrência e do desenvolvimento comerciais. Em vez da concorrência 
comercial será a fatia de clientes – um cliente de cada vez. (PEPPERS e 
ROGERS, Marketing um a um 1994) 
 
[...] uma forma radicalmente diferente de fazer negócios, em face da nova 
realidade de computadores mais velozes e mais potentes e dos meios de 
comunicação cada vez mais interativos. Para lidar com essa realidade, 
propusemos um novo tipo de concorrência – uma concorrência orientada 
para o cliente, que denominamos marketing um a um (1:1). [...] a empresa 
1:1 usa banco de dados de clientes e comunicação interativa para vender o 
máximo possível de produtos e serviços para um cliente por vez, durante 
toda a sua vida como cliente ativo. Trata-se de uma estratégia que exige 
que a empresa gerencie cada cliente individualmente, em vez de gerenciar 
meramente produtos, canais de vendas e programas. (PEPPERS e 
ROGERS, Empresa 1:1 1997) 
É o marketing impactado pela tecnologia de banco de dados e por técnicas de 
comunicação do marketing direto6 e do marketing de relacionamento (CRM). 
Essa evolução facilitou também o processo de análises. Um elemento 
fundamental para garantir a boa gestão de um database marketing e o sucesso das 
práticas de CRM reside na conversão dos dados em conhecimento, por meio do 
data mining, ou “mineração dos dados”, que responde pela análise dos dados 
dispostos em um data warehouse com o auxílio de ferramentas que buscam 
tendências ou padrões. De acordo com Berry e Linoff (BERRY e LINOFF 1997), data 
mining consiste na exploração e análise de grandes volumes de dados com o 
objetivo de descobrir informações significativas. O foco é estudar os dados, 
transformando-os em informações sobre as necessidades dos clientes. Esse 
 
 
6
 Marketing Direto: disciplina de marketing cuja comunicação se utiliza de uma ou mais formas de comunicação [venda direta, 
mala direta, telemarketing, e-mail marketing, publicidade direcionada e segmentada, catálogos, etc.] para obter uma resposta 
ou transação mensurável junto a públicos específicos ou gerar uma ação de relacionamento que produza encantamento junto 
ao público-alvo [...]. (*) Segundo a DMA, “Marketing Direto é um sistema interativo de marketing que usa uma ou mais mídias 
para obter uma resposta mensurável em qualquer lugar e tem isto registrado em uma base de dados” (ABEMD - Associação 
Brasileira de Marketing Direto. Glossário de Marketing Direto. http://www.abemd.org.br/pagina.php?id=24. Acesso em: 11 de 
junho de 2015). 
28 
 
instrumento permite conhecer os clientes, seus perfis, suas preferências, a 
probabilidade de comprarem ou abandonarem a empresa. Berry e Linoff enfatizam 
que o relacionamento com os consumidores constrói-se a partir da observação de 
suas necessidades, do registro de suas preferências e do aprendizado com suas 
interações passadas, proporcionadas pela mineração dos dados. 
Shepard resumiu, assim, o novo marketing como “um processo orientado pela 
informação e gerenciado pela tecnologia de banco de dados, o que permite o 
desenvolvimento e a implementação de estratégias personalizadas de marketing” 
(SHEPARD 1993). 
A atual explosão de dados vem testando os limites dos data warehouses 
tradicionais e, a cada dia, surgem novas ferramentas, tanto para capturar e 
armazenar, como para manipular e analisar adequadamente os dados em escalas 
exponenciais, possibilitando a geração de insights valiosos para as empresas com 
utilização de recursos computacionais intensos. Tal volume de dados, processados 
com incrível velocidade e analisados por poderosas tecnologias de inteligência, tem 
conduzido as empresas para a era do Big Data. 
As tecnologias de computação na nuvem (cloud computing) têm beneficiado o 
data warehousingtradicional como os novos enfoques de Big Data, reduzindo os 
custos de armazenamento e favorecendo o aperfeiçoamento e o desenvolvimento 
de novos recursos. 
Na Figura 2, observa-se a evolução dos sistemas e tecnologias de acordo 
com o volume de dados processados por área de atuação: armazenamento e 
processamento de dados, análises e data mining e inteligência de negócios. É, ainda, 
possível observar a transformação dos objetivos mercadológicos que 
acompanharam tais tendências. 
 
29 
 
 
Figura 2 - Evolução dos sistemas de acordo com o volume de dados 
Fonte: (HINCHCLIFFE 2011) 
 
As tecnologias de Big Data não substituem os sistemas tradicionais; elas se 
complementam. Muitas empresas convivem, hoje, com as duas soluções: o data 
warehouse tradicional e o ambiente de Big Data. 
 
2 PROBLEMA DE PESQUISA 
Como o uso do Big Data contribui na estratégia do Marketing 3.0 e orienta o 
CXM (Customer Experience Management)? 
2.1 Objetivo geral 
Descrever o Big Data, caracterizar as transformações do cenário de marketing 
atual e identificar como ele modela o perfil do novo marketing de relacionamento, o 
CXM (Customer Experience Management) centrado não mais no consumidor, mas 
no ser humano e focado no engajamento e na experiência com a empresa. 
30 
 
2.2 Objetivos específicos 
Descrever os novos tipos de dados, capturados em grande volume, 
diversificados e não estruturados, que utilizam recursos de computação em grande 
escala. 
Identificar as inovações tecnológicas e os modelos de negócios do Big Data e 
as transformações do marketing e do relacionamento com os clientes, 
caracterizando as oportunidades de contribuição para a “era da experiência do 
cliente”. 
Verificar a evolução e os progressos do Big Data, enfatizando o caráter 
estratégico dos insights proporcionados pelos dados e do novo estilo de fazer 
negócio, apoiado em análises complexas e sofisticadas, cada dia mais 
automatizadas e em tempo real. 
Caracterizar o cenário de marketing atual, indicando a influência do Big Data 
no novo modelo de marketing – o Marketing 3.0 – e na nova maneira de 
relacionamento, que se traduz em engajamento, com o cliente – do CRM ao CXM. 
Descrever os perfis profissionais demandados para atuar com o Big Data e o 
novo marketing. 
Avaliar o impacto do Big Data em um cenário mercadológico em 
transformação. 
2.3 Justificativa 
Atualmente, muito se fala sobre Big Data. Mas o que vem a ser Big Data? 
Não restam dúvidas de que, atualmente, as empresas nadam em um oceano 
crescente de dados, tão volumosos quanto desestruturados, originados de diferentes 
fontes, que os métodos tradicionais não têm capacidade para analisar e gerenciar. 
Dentre as diversas origens podem ser citados: web, conteúdo de mídias sociais 
(tweets, blogs, posts), vídeos, entre outros. Mas Big Data engloba muito mais, desde 
reconhecimento de voz e sentimentos em call centers, até dados de descobertas de 
pesquisas médicas e biomédicas. Só o Google processa, diariamente, cerca de 24 
petabytes – ou 24.000 terabytes de dados (NEWMAN 2014), dos quais apenas 
31 
 
pequena apenas está no formato tradicional de linhas e colunas dos databases 
convencionais. 
Para dar uma ideia da velocidade de processamento de informações, 
seguem alguns números sobre o volume total de dados gerados online por 
minuto: 
 2 milhões de pesquisas no Google 
 685 mil atualizações no Facebook 
 200 milhões de emails enviados 
 48 horas de vídeos no YouTube 
 347 novas publicações em blogs (traduzido de: NEWMAN 2014) 
Segundo o Gartner Group (GARTNER 2014), consultoria na área de 
tecnologia, o Big Data implicará investimento maciço nos próximos dois anos, em 
todo o mundo. Já são movimentados cerca de US$ 70 bilhões por ano no mercado 
global de Big Data, e a tendência é que tenha havido um crescimento de quase 40% 
até o final de 2015. O grupo norte-americano prevê ainda que, em 2015, mais de 4 
milhões de empregos tenham sido criados em torno do Big Data. Por se tratar de 
informações cuja apuração é recente, a consultoria ainda não dispõe dos resultados 
finais. 
Costuma-se denominar de Big Data essa imensa quantidade de dados não 
estruturados que o mundo está produzindo atualmente. O termo surgiu a partir do 
final da década de 2000, quando a virtualização e o acesso à tecnologia tomaram 
grande proporção. 
Entretanto, Big Data não trata apenas de quantidade ou de tecnologia. 
Tampouco é a díade “quantidade de dados e tecnologia” que orienta essa revolução 
dos dados, mas os insights que eles podem gerar. Com conhecimento, é possível 
entender o que interessa e motiva as pessoas, o que as faz se engajarem a uma 
marca ou comprarem seus produtos, ou quais inovações em produtos ou serviços 
podem ser desenvolvidos para atender as necessidades do público da empresa. 
 
 
32 
 
O Big Data, portanto, vai além. Engloba um conjunto de cinco Vs7: Volume, 
Velocidade, Variedade, Veracidade e Valor, que corresponde a um processo de 
captura de grande volume de dados, gerados em alta velocidade, com variedade de 
formato e informações, nem sempre confiáveis ou consistentes, que devem ser 
transformados em insights valiosos para auxiliar tomada de decisões e produzir 
resultados. 
Com todas essas transformações na maneira de administrar os dados, o 
ambiente de marketing também enfrenta mudanças. Segundo Kotler (KOTLER, 
KARATAJAYA e SETIAWAN, Marketing 3.0: as forças que estão definindo o novo 
marketing centrado no ser humano 2010), os clientes escolhem, hoje, produtos e 
empresas de acordo com suas necessidades de criatividade, comunidade e 
idealismo. Esse movimento foi chamado de Marketing 3.0, que aborda os clientes 
como pessoas, seres humanos norteados por valores e influenciados por outras 
pessoas. De acordo com os autores, os consumidores estão ganhando poder 
(empowerment do consumidor) e estão mais conscientes e ativos. 
As mudanças no ambiente de negócios – recessão, preocupações com o 
meio ambiente, novas mídias sociais, empowerment do consumidor, nova 
onda de tecnologia e globalização – continuarão provocando mudança 
maciça nas práticas de marketing. Hoje, existe mais confiança nos 
relacionamentos horizontais do que nos verticais. Os consumidores 
acreditam mais uns nos outros do que nas empresas. A ascensão da mídia 
social é apenas um reflexo da migração da confiança dos consumidores das 
empresas para outros consumidores. (KOTLER, KARATAJAYA e 
SETIAWAN, Marketing 3.0: as forças que estão definindo o novo marketing 
centrado no ser humano 2010). 
Nesse contexto o CRM - Customer Relationship Management - se renova. 
Ganha espaço o conceito de CXM - Customer Experience Management (também 
conhecido como CX), que reforça o interesse na individualidade dos consumidores, 
associando as novas tecnologias para controlar essa dimensão em grande escala. O 
 
 
7
 Embora muitos autores reclamem a autoria desse conceito dos três Vs, posteriormente ampliado para os cinco Vs, a mais 
aceita é aquela atribuída a Doug Laney que, no final dos anos 90, como analista do Grupo META (atualmente parte do grupo 
Gartner), divulgou a teoria dos desafios das três dimensões dos dados (volume, velocidade e variedade), dando origem ao 
conceito dos três Vs (que, mais tarde, o próprio grupo Gartner ampliou, incluindo veracidade e valor como conceitos do Big 
Data). No final dos anos 2000, Doug Laney publicou o estudo intitulado “3-D Data Management: controlling Data Volume, 
Velocity and Variet”. (fontes: Gartner Blog Network. Deja VVVu: Other’s Claiming Gartner’s Construct for Big Data. 
http://blogs.gartner.com/doug-aney/deja-vvvue-others-claiming-gartners-volume-velocity-variety-construct-for-big-data/. Acesso 
em: 20 de dezembro de 2015; DataFloq. Whay the 3V’s Are Not Sufficient To Describe Big Data. https://datafloq.com/read/3vs-
sufficient-describe-big-data/166. Acesso em:20 de dezembro de 2015.) 
33 
 
interesse nos consumidores como indivíduos, que demonstram poder nas redes 
sociais e rapidamente ganham visibilidade, gradativamente tem levado as empresas 
a perceberem a necessidade de olhar para além dos sistemas de CRM interno. Não 
é mais possível ignorar as experiências externas dos indivíduos, o CXM – Customer 
Experience. 
A possibilidade de agregar dados “holísticos” dos indivíduos e conhecer cada 
uma das experiências dos consumidores é aumentada com o advento das novas 
tecnologias em escala e processamentos intensivos. O objetivo é coletar o maior 
número de informações possíveis de cada cliente para garantir a melhor experiência, 
antecipando as necessidades e demandas dos consumidores. 
É possível, assim, observar a estreita relação que o Big Data tem com a nova 
conjuntura do mercado. O CXM – Customer Experience Management, no ambiente 
do Marketing 3.0, se beneficia enormemente das tecnologias e soluções analíticas 
do Big Data. São tendências que convergem para um mesmo objetivo: a obtenção 
de vantagens competitivas em um mercado em transformação. Por esse motivo, a 
proposta deste trabalho é consolidar, em um mesmo estudo, a “revolução” do Big 
Data e a “era” do novo marketing, centrado na experiência do consumidor. 
2.4 Organização da pesquisa 
O trabalho se propõe a descrever a evolução dos dados, tecnologia e formas 
de análise para geração de insights do Big Data, relacionando-os com o ambiente de 
marketing em transformação e a nova forma de relacionamento com o consumidor, 
criando o engajamento por meio do CXM – Customer Experience Management. 
Esta pesquisa caracteriza-se por ter um caráter exploratório-descritivo. Por se 
tratar de um assunto com conhecimento científico pouco sistematizado, o caráter 
exploratório se adequa para explicitar o atual estágio em que se encontra o Big Data 
aplicado ao marketing. 
Neste trabalho trata-se de uma pesquisa que busca expor as características 
dos itens que compõem o tema Big Data e o ambiente mercadológico, 
estabelecendo a correlação da explosão dos dados, dos avanços tecnológicos, das 
mudanças nos perfis profissionais demandados e da evolução das soluções e 
modelos analíticos com as transformações do Marketing 3.0, o despertar da 
34 
 
experiência do consumidor (CXM), e a criação de engajamento entre empresas e 
consumidores. 
Foram utilizados dados secundários, provenientes de materiais informativos, 
tais como revistas especializadas, periódicos, publicações, artigos, blogs de 
profissionais especializados e documentos de empresas provedoras de soluções em 
Customer Experience ou Big Data. Pelas características do trabalho, os dados 
provieram de consultas, pesquisas e observações. 
Após a consolidação dos dados, o conjunto foi analisado com base no 
referencial teórico, com o objetivo de validar ou não as hipóteses e desenvolver as 
conclusões que fundamentaram os resultados alcançados. 
Mais do que apresentar o Big Data como um volume extraordinário de dados, 
o intuito é caracterizar todo o conceito que o envolve: não apenas em termos 
quantitativos, mas de abrangência, de possibilidades, de valores, insights, na escala 
exponencial do Big Data e integrá-lo com o “novo” marketing. 
Com isso, espera-se descrever as transformações promovidas pelas novas 
tecnologias que proliferam e avaliar as mudanças operadas no modo como são 
realizados os negócios e planejadas as estratégias de marketing e de vendas e 
responder aos profissionais de marketing como eles podem se beneficiar 
 
3 CONTEXTO E REALIDADE INVESTIGADA 
Com o advento das tecnologias digitais, e sobretudo da internet, quantidades 
massivas de dados têm sido geradas a uma velocidade surpreendente. 
Particularmente nos últimos anos, mídias sociais como Facebook, Twitter, LinkedIn e 
blogs geraram quantidades incríveis de dados de usuários. Por serem criados de 
forma quase aleatória, esses dados não possuem estrutura. Com o avanço da 
tecnologia, porém, tais dados podem ser manipulados e analisados para ajudar em 
tomadas de decisões mais eficientes e inteligentes. 
Em razão dessas características, a manipulação e o processamento de Big 
Data necessita de ferramentas e técnicas especiais. 
Para compreensão dessas ferramentas e técnicas, o trabalho será divido em 
três grandes partes principais: tecnologias de manipulação e processamento de 
35 
 
dados, análise e geração de insights (Big Data analytics) e marketing, enfatizando o 
Customer Experience (CXM) para geração de valor e engajamento dos clientes com 
a empresa. 
3.1 Ecossistema de dados 
Os dados tornaram-se parte essencial da realidade atual. Comportamentos, 
gostos, preferências, desejos e necessidades são utilizados, agrupados, 
processados e analisados por diversas empresas, de diferentes setores e ramos de 
atividade, para várias finalidades. Atualmente, os usuários negociam (na forma de 
cadastros, por meio dos quais fornecem dados pessoais, exemplo) tais informações 
em troca de melhores produtos. O marketing utiliza esse conhecimento para o 
desenvolvimento de bens e serviços que se adequem aos desejos e necessidades 
dos consumidores. 
Esse ambiente, cercado de dados, informações e conhecimentos, é o que 
forma o ecossistema de dados. Os dados desse ecossistema podem ser 
classificados em três níveis de dados: dados próprios, dados captados e negociados 
por terceiros e dados compartilhados com parceiros. 
3.1.1 Dados próprios (1st party data) 
Estes dados são coletados pelas organizações diretamente de seus 
consumidores. São informações obtidas a partir de ações ou comportamentos dos 
clientes, como preenchimento de fichas de cadastros, offline ou online, de diversos 
canais ou pontos de contato, combinados com dados de gestão de relacionamento 
com clientes (CRM), dados de acesso ao website ou aplicações da empresa em 
dispositivos móveis. Não há questões de privacidade envolvidas com esses dados 
porque ele é extraído diretamente do usuário com o seu consentimento. 
De acordo com um estudo "Exploring trends and impacts of data driven 
marketing", realizado, em 2013, pela BlueKai, empresa de gerenciamento de dados 
(DMP – Data Management Platform) do grupo Oracle, 87% dos profissionais de 
marketing que participaram da pesquisa responderam utilizar dados próprios. Os 
tipos de dados mais usados estão detalhados no Gráfico 1 (BlueKai 2013): 
36 
 
 
Gráfico 1 – Tipos de dados próprios utilizados pelas empresas 
BlueKai Data Impact Report: Exploring Trends and Impact of Data Driven Marketing (Bluekai 2013) 
 
Outros tipos de dados próprios incluem: pesquisas de mercado, dados de 
eventos e seminários, dentre outros. 
Os dados próprios podem ser utilizados para personalizações e 
recomendações, para ações de e-mail marketing ou para segmentar e direcionar 
ofertas e anúncios. Os dados próprios podem ser enriquecidos com dados de 
terceiros. 
Um exemplo de dados próprios pode ser o histórico de transações realizadas 
pelos membros do programa de recompensas de determinada loja. Essa informação 
pode ser usada para compreender as tendências de comportamento dos clientes, 
como frequência de compras, preferências de cores, estilos e tamanhos, formas de 
pagamento, conjunto de itens do carrinho de compras e gastos em cada visita. 
3.1.2 Dados de terceiros (3rd party data) 
Os dados de terceiros são recolhidos e comercializados em grande escala por 
empresas de coleta de dados, conhecidas como plataformas de gerenciamento de 
dados (DMP – Data Management Platform) ou também como agregadores de dados, 
que comercializam informações a outras empresas. BlueKai, eXelate, Peer39, e 
Nielsen são alguns exemplos de empresas especializadas em coletar, armazenar, 
37 
 
classificar e vender dados de terceiros. Pela própria característica da operação, é 
um processo mais custoso para as empresas que usam esses dados. Proporciona apossibilidade de enriquecer as informações já existentes na empresa, sendo 
normalmente usados para iniciativas de marketing direcionadas. 
De acordo com o estudo “BlueKai Data Impact Report”, da BlueKai, de 2013, 
72% dos profissionais de marketing que participaram da pesquisa afirmaram 
trabalhar com dados de terceiros. Os tipos de dados de terceiros mais usados estão 
detalhados no Gráfico 2 (Bluekai 2013). 
 
Gráfico 2 - Tipos de dados de terceiros utilizados pelas empresas 
BlueKai Data Impact Report: Exploring Trends and Impact of Data Driven Marketing (Bluekai 2013) 
 
 
Outros tipos de dados de terceiros podem ser: tendências de compra, relação 
de participantes de uma conferência, dados de tráfego na internet, resultados de 
busca, informações de redes sociais, acessos de vídeos e dados de sensores, 
dentre outros. 
Um exemplo de dados de terceiros pode ser uma loja que utiliza dados de um 
provedor de informações para enriquecer seus próprios dados: segmentações, 
preferências e hábitos de navegação de usuários da internet. Esses dados auxiliam 
a empresa a estabelecer uma campanha de marketing para atrair novos clientes. 
38 
 
3.1.3 Dados compartilhados com parceiros (2nd party data) 
Os dados compartilhados em parceria representam outra forma de coleta de 
dados, intermediária entre os dados próprios e os dados de terceiros. São os dados 
próprios de uma empresa associados aos dados próprios de outra empresa. Trata-
se de uma forma intermediária de dados de terceiro porque, em geral, são dados 
compartilhados para benefício mútuo, na maior parte das vezes, sem envolver 
comercializações e trocas monetárias. Desta maneira, empresas podem enriquecer 
seus dados categorizando melhor sua audiência e, consequentemente, 
personalizando suas campanhas e ações de marketing. 
Um exemplo de parceria de dados pode ser uma loja de roupas masculinas 
trocando dados com uma lavanderia próxima. A lavanderia fornece informações 
sobre clientes que trouxeram seus ternos em cada semana, durante os últimos cinco 
meses. A loja de roupas, por sua vez, fornece dados à lavanderia sobre indivíduos 
que adquiriram novas camisas no último mês. Tanto a lavanderia como a loja de 
roupas podem executar campanhas cruzadas e direcionadas de marketing. A 
lavanderia pode enviar e-mails com cupons oferecendo 20% de desconto aos 
clientes da loja de roupas. A loja de roupas pode desenvolver uma campanha 
específica para os clientes da lavanderia, oferecendo descontos ou brindes 
especiais. 
3.2 Integração dos dados 
 
O ecossistema de dado é evolutivo e ainda existe muito a ser desenvolvido. 
Os dados próprios (1st-party data) são confiáveis, personalizados e específicos. Os 
dados de terceiros (3rd-party data) são custosos. Os dados compartilhados com 
parceiros (2nd-party data) ainda são difíceis ou demorados para se obter. 
Combinando inteligência de mercado e ferramentas de automação, as marcas 
conseguem integrar todos os tipos de dados com soluções de Big Data para 
desenvolver campanhas de marketing cada vez mais personalizadas. 
É uma tendência que os dados comecem a ser compartilhados, no melhor 
sistema colaborativo entre empresas de todos os tamanhos e dos mais diversos 
setores. Com o Big Data e as ferramentas com capacidade para captura, 
39 
 
armazenamento e processamento de grandes volumes de dados, as fronteiras entre 
dados próprios e de terceiros, ficarão mais líquidas. 
Desta maneira, todos terão uma visão aprofundada e novas estratégias serão 
adotadas para gerar valor, promoções, fidelidade e relações de engajamento. 
3.3. Dados estruturados versus dados não estruturados 
Big Data refere-se a uma coleção de dados, que provém de fontes 
tradicionais ou digitais, e representa a matéria-prima para as análises e descobertas 
que geram valor. Ao definir Big Data, é importante, antes de adotar as tecnologias 
de análise, entender a combinação de dados multiestruturados que compõem o 
volume de informações. 
Para os especialistas, os chamados dados multiestruturados são formados 
por dados estruturados, semiestruturados e não estruturados, cada um com 
características e origens próprias. Dados multiestruturados, portanto, referem-se à 
variedade de formatos e tipos que podem ser derivados, sobretudo de interações 
entre pessoas e máquinas, tais como aplicativos web ou redes sociais. Esses dados 
incluem textos e imagens combinados com dados internos estruturados das 
empresa. 
Dados estruturados possuem formatação simples, são formados por base de 
dados relacionados entre si e podem ser extraídos diretamente para data 
warehouses. Em geral, são gerados a partir de informações e operações internas. 
Os dados semiestruturados possuem certo grau de estrutura, mas requerem 
linguagem computacional mais avançada do que as tradicionais SQLs. Normalmente 
são dados provenientes de logins web e informações de GPS. 
Já os dados não estruturados não possuem formatação organizada e 
demandam tecnologias especificas para serem trabalhados. Nesta categoria, estão 
inclusos todos os novos formatos de dados que surgem a cada dia, como vídeos, 
músicas, textos, mídias sociais e qualquer outro dado criado por dispositivos web. 
Dados não estruturados vêm de informações que não estão organizadas ou são 
facilmente interpretáveis por tradicionais databases ou softwares de análise de 
dados. 
40 
 
O Big Data abrange todos os formatos de dados e, por isso, exige cuidado na 
adoção de ferramentas certas. Para os estruturados, já existem soluções 
consolidadas que trabalham bases de dados relacionais, os data warehouses. 
Os dados semi e não estruturados necessitaram de linguagens específicas. A 
linguagem SQL não é efetiva para realizar a análise e identificação das informações, 
por isso, empresas como Google desenvolveram soluções específicas capazes de 
lidar com tal complexidade. 
Para as empresas tirarem melhor proveito dessa nova tendência, as 
tecnologias de armazenamento, gerenciamento e análise de dados precisam ter a 
capacidade de se integrar e “conversar” entre si. Assim, com sistemas unificados, a 
comunicação de um sistema para outro é facilitada, evitando erros e atrasos de 
operações de análise devido à incompatibilidade de sistemas. 
À medida que tecnologias disruptivas continuem surgindo, provocando 
transformações nas comunicações e interações entre canais, e quanto mais 
experiências por dispositivos web e plataformas sociais ocorrerem, dados 
multiestruturados continuarão a proliferar. 
Dados multiestruturados ajudam as companhias a tomar decisões mais 
precisas, a melhorar o atendimento aos consumidores, a identificar iniciativas para 
aprimorar negócios e a adquirir valor agregado. Todos os segmentos de mercado 
podem tirar proveito do Big Data, mas é preciso saber identificar as tecnologias que 
podem realmente ajudar nessa tarefa. 
 
4 BIG DATA 
Big Data, como já mencionado, tem relação com grandes volumes de dados, 
produzidos em alta velocidade e ampla variedade, de formatos e tipos diversos. Por 
esse motivo, necessita de ferramentas preparadas para lidar com tal conjunto de 
dados, de forma que a informação seja encontrada, processada, analisada e 
aproveitada de forma ágil, muitas vezes, em tempo real. 
A extração de informações e insights por meio dos dados permite às 
empresas adotar ações para melhorar um produto, criar estratégias de marketing 
mais eficientes, cortar gastos, produzir mais em menos tempo, evitar desperdício de 
41 
 
recursos, superar a concorrência, personalizar campanhas para grupos de clientes 
específicos, direcionar ofertas especiais para clientes, dentre muitas outras. 
Há bastante tempo, soluções e aplicações de tecnologias com capacidade 
para processar e tratar grandes volumes de dados não estruturados (em formatos 
provenientes de textos, documentos, imagens, fotos, áudios e vídeos) e 
desorganizados, vêm sendo desenvolvidas,e, atualmente, os avanços tecnológicos 
permitem que se guardem, organizem e analisem dados com muito mais facilidade. 
As estruturas centralizadas de processamento de dados, como as utilizadas 
tradicionalmente, não são mais suficientes. O Google, por exemplo, possui 
vários data centers (centros de processamento de dados) para suas operações, mas 
que são integrados (ALECRIM 2015). De acordo com Alecrim, “este ‘particionamento 
estrutural’ [...] não é uma barreira para o Big Data – em tempos de computação nas 
nuvens, nada mais trivial”. 
4.1 Big Data e tecnologia 
4.1.1. ETL8, DW, BI9, cloud computing, Big Data, data lake 
Arquiteturas de data warehouse e business intelligence tradicionais 
necessitam “trabalhar os dados” em um processo de integração conhecido como 
ETL (Extract, Transform and Load ou Extrair, Transformar e Carregar). 
 
 
 
8
 ETL são ferramentas de software cuja função é a extração de dados de diversos sistemas, transformação desses dados 
conforme regras de negócios e carga dos dados, geralmente em um Data Mart ou um Data Warehouse. (fonte: Wikipedia. 
https://pt.wikipedia.org/wiki/Extract,_transform,_load. Acesso em 11 de setembro de 2015) 
9
 BI – Business Intelligence – Inteligência de Negócios. [...] refere-se ao processo de coleta, organização, análise, 
compartilhamento e monitoramento de informações que oferecem suporte a gestão de negócios. É um conjunto de técnicas e 
ferramentas para auxiliar na transformação de dados brutos em informações significativas e uteis a fim de analisar o negócio. 
(fonte: Wikipedia. https://pt.wikipedia.org/wiki/Intelig%C3%AAncia_empresarial. Aceso em: 11 de setembro de 2015) 
https://pt.wikipedia.org/wiki/Data_Mart
https://pt.wikipedia.org/wiki/Data_Warehouse
https://pt.wikipedia.org/wiki/Extract,_transform,_load
42 
 
 
Figura 3 – Integração de daods & ETL 
Fonte: Jitterbit (http://www.jitterbit.com/solutions/etl-data-integration; acesso em: 11 de setembro de 
2015) 
 
ETL refere-se a um processo no uso de banco de dados e, especialmente, em 
data warehousing que: 
 Extrai dados de fontes heterogêneas ou homogêneas; 
 Transforma os dados para armazená-lo em formato ou estrutura 
adequada para consulta e análise; 
 Carrega os dados para o banco de dados – data marts ou data 
warehouses. 
Normalmente, essas três fases são executadas em paralelo. Enquanto os 
dados estão sendo extraídos, outro processo de transformação é executado. Os 
dados já processados são carregados enquanto outros são preparados. É um 
processo que consome relativo tempo e infraestrutura computacional. 
O processo de integração dos dados é característico das plataformas 
tradicionais, que armazenam dados exclusivamente estruturados. É um 
procedimento em que uma parcela dos dados, não compatíveis e não formatados, 
necessariamente precisa ser descartada. Novos processamentos requerem novo 
43 
 
processo de ETL. Com isso, formam-se silos de informações e séries de dados não 
necessariamente correlacionáveis. 
A tecnologia, por meio da computação em nuvem, trouxe novas plataformas 
que contribuem com o armazenamento e gerenciamento de dados e informações e 
proporcionam benefícios importantes, como tempo de processamento, redução de 
custos de implantação e maior autonomia e precisão na geração de insights. 
Nesse contexto, abordagens diferentes surgiram. O uso de data lakes (lagos 
de dados) é uma delas. Segundo a definição do dicionário técnico da TechTarget, 
um data lake é um grande repositório de dados armazenados em seu formato 
original, que é acessado quando há necessidade de utilizar os dados para análises 
(TechTarget 2015). Dessa forma, dados, de diversos tipos, como notações simples, 
imagens, relatórios, dados estruturados e não estruturados, são armazenados sem 
alterações, o que faz com que os dados mantenham a origem e a fidelidade para 
que diferentes tipos de análises possam ser realizadas em momentos e contextos 
diferentes. O data lake soluciona, assim, o desafio de armazenamento, integração e 
acessibilidade dos dados. 
O ETL, neste caso, inclui novas tecnologias desenvolvidas para permitir 
análises em tempo real e conexão com outras ferramentas, também elaboradas para 
lidar com os dados, no formato original, recuperados do repositório. 
A EMC, empresa especializada em soluções de Big Data, anunciou, em 2015, 
o lançamento do Federation Business Data Lake, um data lake projetado em nível 
empresarial. Segundo a organização, um data lake eficiente deve atender três 
funções básicas (EMC 2015): 
 Armazenamento: armazenamento de dados estruturados e não 
estruturados, provenientes de diferentes fontes. 
 Análise: oferecimento de modernas ferramentas que permitam vários 
tipos de análises, como, por exemplo, a plataforma Hadoop (plataforma 
44 
 
voltada para processamento de grandes massas de dados 
armazenados em clusters10). 
 Revelar (gerar insight) e agir: fornecimento de dados aos usuários e 
aplicativos para que possam ser usados para agir em tempo real ou 
influenciar o processo de tomada de decisões. 
4.1.2 Soluções de Big Data 
Além de lidar com grandes volumes de dados, de vários tipos, as soluções de 
Big Data precisam também trabalhar com distribuição de processamento 
e elasticidade, isto é, lidar com dados em crescimento exponencial. 
Os bancos de dados tradicionais, especialmente aqueles que exploram o 
modelo relacional, que utilizam o SQL11 (Structured Query Language), apresentam 
menor flexibilidade e, portanto, não atendem essas exigências de processamento 
em escala e elasticidade. 
Por esse motivo, as soluções de Big Data utilizam o conceito de NoSQL12, 
(Not only SQL ou "Não apenas SQL). O NoSQL está ligado a soluções de bancos de 
dados que armazenam dados de diversos formatos, não restritos ao modelo 
relacional tradicional. Esse tipo de bando de dados possui maior flexibilidade. 
Os bancos de dados NoSQL além de serem mais flexíveis, são otimizados 
para trabalhar com processamento paralelo e distribuição global (vários data 
centers). 
 
 
10
 Cluster - tecnologia capaz de fazer computadores mais simples trabalharem em conjunto, como se formassem uma 
máquina só. Cluster (ou clustering) é [...] o nome dado a um sistema que relaciona dois ou mais computadores para que estes 
trabalhem de maneira conjunta no intuito de processar uma tarefa. [...] Cada computador que faz parte do cluster recebe o 
nome de “nó” (ou “node”). Teoricamente, não há limite máximo de nós, mas independentemente da quantidade de máquinas 
que o compõe, o cluster deve ser "transparente", ou seja, ser visto pelo usuário ou por outro sistema que necessita desse 
processamento como um único computador. (fonte: http://www.infowester.com/cluster.php. Acesso em: 26 de dezembro de 
2015) 
 
11
 SQL (Structured Query Language ou Linguagem de Consulta Estruturada) é a linguagem de pesquisa declarativa padrão 
para banco de dados relacional (base de dados relacional), de dados estruturados (fonte: https://pt.wikipedia.org/wiki/SQL. 
Acesso em: 26 de dezembro de 2015) 
12
 NoSQL (Not Only SQL ou Não Somente SQL) é um termo genérico para uma classe definida de banco de dados não-
relacionais (fonte: https://pt.wikipedia.org/wiki/NoSQL. Acesso em: 26 de dezembro de 2015) 
https://pt.wikipedia.org/wiki/Banco_de_dados_relacional
45 
 
Exemplos de bancos de dado NoSQL são (ALECRIM 2015): 
 Cassandra 
 MongoDB 
 HBase 
 CouchDB 
 Redis 
Para o Big Data, no entanto, é necessário também utilizar ferramentas que 
permitam o tratamento, não apenas dos formatos dos dados, mas também do 
grande volume de dados. Para isso, o Hadoop é, atualmente, a principal referência. 
4.1.2.1 Hadoop 
Hadoop é uma plataforma de código aberto, desenvolvida para 
processamento e análise de grandes volumes de dados, sejam eles estruturados ou 
não estruturados. O projetoé mantido pela Apache Foundation, mas conta com a 
colaboração de várias empresas, como Yahoo!, Facebook, Google e IBM. 
O projeto teve início quando o Google criou um modelo de programação que 
distribui o processamento a ser realizado entre vários computadores, chamado de pr 
para ajudar o seu mecanismo de busca a ficar mais rápido e livre da necessidades 
de servidores poderosos (e caros). Esta tecnologia recebeu o nome de MapReduce. 
(ALECRIM 2015). 
Os programas desenvolvidos realizam o processamento paralelo de conjuntos 
de dados e podem, portanto, ser executados em servidores com menor esforço. A 
razão para a escalabilidade desse paradigma é essa natureza distribuída do 
funcionamento da solução. Uma grande tarefa é dividida em várias tarefas pequenas, 
executadas em paralelo, em máquinas diferentes, e combinadas para chegar à 
solução da tarefa maior. 
http://couchdb.apache.org/
http://redis.io/
http://hadoop.apache.org/
46 
 
A partir disso, o Google apresentou o Google File System (GFS), um sistema 
de arquivos13 preparado para lidar com processamento distribuído e com grandes 
volumes de dados. 
Posteriormente, o GFS foi incorporado a um software chamado Nutch, um 
projeto de motor de busca para a web. O Nutch não conseguia lidar com um volume 
grande de páginas e esse problema de escalabilidade foi solucionado com um 
aperfeiçoamento, dando origem ao Nutch Distributed Filesystem (NDFS). 
O Nutch fazia parte de um projeto chamado Lucene, uma biblioteca para 
indexação de páginas. Este projeto, que poderia ser utilizado em outras aplicações 
web, além das buscas, levou à criação de outro projeto, que engloba características 
do Nutch e do Lucene: o Hadoop Distributed File System (HDFS). O HDFS gerencia 
o armazenamento de dados das máquinas nas quais o cluster do Hadoop está 
sendo executado. O HDFS é um sistema de arquivos escalonável e distribuído, cujo 
desenho é baseado fortemente no GFS (Google File System). 
O Hadoop é tido como uma solução adequada para Big Data por vários 
motivos (ALECRIM 2015): 
 É um projeto de código aberto, o que permite modificações para 
customizações e melhorias constantes, graças à sua rede de colaboração. Por isso, 
vários projetos derivados ou complementares são criados; 
 Proporciona economia, pois não exige pagamento de licenças e pode 
ser usar hardware convencional; 
 Conta com recursos de tolerância a falhas, como replicação de dados; 
 É escalável, e sempre que surge a necessidade de processamento de 
maior quantidade de dados, é possível acrescentar computadores sem necessidade 
de realizar reconfigurações complexas no sistema. 
O Hadoop pode ser usado em conjunto com bancos de dados NoSQL. A 
Apache mantém uma solução conjunta com NoSQL: o banco de dados HBase, uma 
espécie de subprojeto do Hadoop que funciona atrelado ao HDFS. 
 
 
13
 sistema de arquivos é um conjunto de instruções que determina como os dados devem ser guardados, acessados, copiados, 
alterados, nomeados, eliminados e assim por diante. (ALECRIM 2015) 
http://nutch.apache.org/
47 
 
Exemplos de uso do Hadoop são análises de padrões de usuários em sites de 
e-commerce e recomendações de novos produtos. 
4.1.2.1.1 Ecossistema de ferramentas presentes com o Hadoop. 
A Figura 4 mostra o ecossistema de ferramentas que cercam o Hadoop e 
seus componentes. São fundamentais à integração, gerenciamento, provisão, 
monitoramento, processamento, dentre outras funções necessárias às aplicações. 
 
 
Figura 4 – Ecossistema do Apache Hadoop 
Fonte: Hadoop Ecosystem: an Integrated Environment for Big Data. (http://blog.agroknow.com/?p=3810. Acesso em: 20 de 
novembro de 2015) 
 
 YARN: (Yet Another Resource Negotiator) também conhecido como 
MapReduce V2. É uma estrutura que auxilia na automação e agenda de atividades e 
gestão de recursos. 
 Flume: É uma ferramenta que combina, recolhe e movimenta grande 
quantidade de dados. 
 Zookeeper: É uma estrutura que permite a coordenação distribuída de 
atividades entre os nós do cluster. 
 Sqoop: "SQL-to-Hadoop" é uma ferramenta para a transferência 
eficiente entre Hadoop e fontes de dados DBMs estruturados, Hive ou HBase. 
 Oozie: É um sistema planejador de fluxo de trabalho para gerenciar os 
trabalhos do Hadoop. Os trabalhos podem incluir tarefas diversas e não MapReduce. 
48 
 
 Pig: Inicialmente desenvolvido pelo Yahoo!, Pig é uma estrutura que 
consiste em linguagem de script de alto nível num ambiente de curto tempo de 
execução. Permite ao usuário executar MapReduce em cluster do Hadoop. 
 Mahout: É uma ferramenta de aprendizado e mineração de dados. 
 R Conectors: Utilizado para gerar estatísticas dos nós em um cluster. 
 Hive: Sistema de armazenamento de dados de código aberto para 
consulta (queries) e análise de grandes conjuntos de dados armazenados em 
arquivos do Hadoop. 
 HBase: É um sistema de gerenciamento de banco de dados não-
relacional para HDFS. 
 Ambari: Componente do ecossistema Hadoop usado para 
provisionamento, gerenciamento e monitoramento do cluster Hadoop. 
É nesta vastidão de códigos e adaptações de programas que as novas 
plataformas de gestão de dados buscam subsídios à tomada de decisões, 
reformulam suas estratégias, redefinem ações de marketing, produtos e serviços. É 
com base nos dados presentes na internet e nessas plataformas que hoje é possível 
extrair inusitados insights. 
É fato que a tecnologia associada com o Big Data pode promover ações para 
o que chamamos de Marketing 3.0. Igualmente importante e necessário é 
estabelecer entre as áreas de marketing e tecnologia um canal de colaboração e 
visão integradas para extrair valor e significado dos dados. 
4.2 Novos perfis profissionais e a era da cultura de dados 
 
Na era do Big Data, a área de marketing experimenta a necessidade de 
profissionais com um perfil muito específico, amplo e ambíguo: profissionais focados, 
com habilidades estratégicas na interpretação de dados. Estas características 
tornam os profissionais capazes de extrair e aplicar insights que realmente importam 
para o sucesso de um negócio. 
Esta capacidade de foco e habilidades é rara de ser encontrada e bastante 
difícil de ensinar individualmente. Empresas nativas digitais possuem um índice 
muito maior de profissionais com tais competências. 
49 
 
4.2.1 Cientista de dados 
A habilidade analítica necessária para a descoberta de padrões e correlação 
de dados e identificação de insights não é nova; está presente em muitos 
profissionais, como: estatísticos, economistas, analistas e programadores. Todavia, 
cada vez mais, novas competências são exigidas, juntamente com a capacidade de 
análise. São habilidades que combinam facilidade para lidar com números, como 
matemática, métodos quantitativos, estatística e álgebra linear, com conhecimentos 
de programação, infraestrutura de sistemas, manipulação de dados e técnicas 
avançadas como machine learning (aprendizado de máquinas) e com capacidade 
estratégica e de negócios para transformar os resultados obtidos em decisões e 
ações efetivas. 
É o perfil que se exige, atualmente, do chamado cientista de dados, 
profissional demandado para trabalhar com Big Data. 
4.2.2 Especialista em dados 
É um profissional com menor grau técnico, mas com conhecimento de 
estatística, data mining (mineração de dados) e machine learning, capaz de formular 
questionamentos e aplicar análises de dados para extração de conhecimentos e 
valor dos dados. 
4.2.3 Administrador / Facilitador de dados 
Este grupo representa profissionais que detém conhecimentos técnicos para 
apoiar os projetos de análise, tais como provisionamento de recursos, administração 
de ambientes, simulações de análise e gerenciamento de arquiteturas de dados de 
grande escala. Este profissional suporta os dados dentro das empresas e outras 
organizações. Esse papel requer competênciasrelacionadas com a engenharia da 
computação, programação e administração de banco de dados. 
4.3 Big Data e análise de dados 
O Big Data está relacionado à captura, armazenamento, tratamento e análise 
de volume de dados para gerar valor e resultados para as empresas. É fácil 
50 
 
perceber, nesse ciclo, que dados, por si só, não têm valor. Fazem parte de uma 
cadeia, na qual o processo de transformação em informações e conhecimentos úteis 
é necessário para que efetivamente se produza valor e proporcionem resultados 
para as organizações. 
Para deixar claro este aspecto, vale destacar a diferença entre dados, 
informações, conhecimentos e sabedoria, apontada por Russell Ackoff, precursor do 
conceito que distingue os termos, estabelecendo uma ordem hierárquica de relações, 
disposta na pirâmide hierárquica DIKW – Data, Information, Knowledge and Wisdom 
(ACKOFF 1989). A hierarquia de Ackoff 14 é conhecida como um dos modelos 
fundamentais na literatura da informação e do conhecimento. De acordo com 
Rowley (ROWLEY 2007), para Ackoff, dados são símbolos, produtos da observação, 
que têm pouca utilidade se não estiverem formatados para uso; informações são as 
relações inferidas a partir dos dados e respondem às perguntas como: “quem”, “o 
quê”, “quando” e “quantos”; conhecimento é o know-how, que torna possível a 
transformação de informações em instruções; e a sabedoria é aplicação de valor 
sobre o conhecimento adquirido, por meio da compreensão, da ponderação, dos 
princípios e das experiências pessoais do decisor. 
Na Figura 5, podemos visualizar o diagrama que representa as etapas do 
processo de transição de dados para sabedoria, ou seja, o trajeto para transformar 
dados em insights relevantes, que geram valor. 
 
 
14
 A Pirâmide DIKW, de Ackoff, também é conhecida como “Hierarquia do Conhecimento”, “Hierarquia da Informação”, 
“Pirâmide do Conhecimento” ou “Pirâmide da Sabedoria”. 
51 
 
 
Figura 5 – Diagrama de transição de dados, informação, conhecimento e sabedoria. 
Fonte: (GENE, CASTRO and MILLS 2004) 
 
Nesse sentido, é fundamental transformar dados, simbólicos e estáticos, 
disponíveis em grande escala e volume, em sabedoria que conduza à otimização de 
negócios, à obtenção de vantagens competitivas e à tomada de decisões 
estratégicas mais direcionadas e assertivas, que proporcionem a melhor experiência 
ao consumidor. 
4.3.1 Métodos analíticos e Big Data para obtenção de insights 
A utilização da tecnologia nos dias atuais, seja para comunicar, fazer compras, 
aprender, relaxar ou interagir, deixa rastros que viram dados. Acumulados ao longo 
do tempo e transformados em tempo gasto, preferências, gostos e desejos viram 
informações. Combinando esses inputs digitais com dados internos de finanças, 
marketing, serviços, transações dos clientes, tem-se um Big Data. 
Uma vez que a empresa tenha implementado tecnologias para processar o 
volume de dados gerados para utilizar o Big Data, ela está apta para pavimentar o 
caminho para uma visão integral (360 graus) do cliente. Segundo Lisa Arthur 
(ARTHUR 2013), os dados são essenciais para se construir uma efetiva interação 
entre a empresa e seus consumidores. 
Dados conduzem a melhores insights, e melhores insights levam a 
interações mais profundas – permitindo a entrega da mensagem certa, pelo 
canal certo, no momento certo, para o consumidor certo. Em troca, essas 
interações aprimoradas resultam em aumento de receitas e diferenciais 
competitivos. (ARTHUR 2013) 
52 
 
Não restam dúvidas de que as modernas tecnologias são essenciais para 
lidar com o mundo do Big Data, mas é preciso ter em mente que apenas tecnologia 
não significa nada. Conforme ressalta Arthur (ARTHUR 2013), “nos dias atuais, os 
profissionais de marketing precisam ter a habilidade de equilibrar a ciência dos 
números com a arte da criatividade para se destacarem, inovarem e responderem 
aos desejos dos consumidores”. 
Tampouco não basta ter uma equipe de excelência em análise e tecnologias 
de ponta para desenvolver modelos sofisticados de transformação de dados em 
informações (Big Data analytics) se os insights gerados não forem utilizados para 
orientar as ações da empresa: adaptar campanhas e promoções, minimizar 
despesas e otimizar os investimentos de marketing, adequar as mensagens e os 
canais de comunicação e entregar ofertas relevantes e personalizadas. Nesse 
sentido, muitas companhias estão reorganizando pessoas, processos e tecnologia 
para integrar e automatizar o marketing. Muitas delas têm adotado sofisticados 
sistemas de gerenciamento de marketing integrado, os chamados sistemas de IMMs 
(Integrated Marketing Management) para auxiliar a tomada de decisões guiadas 
pelos insights gerados pelos chamados Big Data analytics, soluções para análises 
de Big Data. 
[...] mais dado não significa o dado certo; e o dado sozinho não significa 
insight. A bola de pelos, que essa massa de dados forma, é o grande 
obstáculo para a criação de engajamento com os consumidores. Ela se 
torna uma complicada confusão de interações, aplicações, dados e 
processos quando as empresas não estão preparadas para lidar com 
informações, originadas de uma grande variedade de fontes. A bola de 
pelos representa tanto uma oportunidade quanto uma ameaça do Big Data 
e dos canais digitais. O valor do Big Data está nos insights; e esses insights 
só são possíveis com a integração dos dados [...] captados das diferentes 
origens: online e offline, internos e externos. (traduzido de: ARTHUR 2013) 
 
53 
 
Em 2011, pesquisa da ITSMA (Information Technology Services Marketing 
Association) revelou que 82% dos profissionais de marketing que trabalham com 
dados, os chamados savvy marketers 15 , apontam aumento de participação de 
mercado com a utilização de insights para o marketing, como detalhado no Gráfico 3. 
 
 
Gráfico 3 - Aumento do market share 
Fonte: ITMA’s 2011 Online Survey on Data Driven Marketing (SCHWARTZ, Julie 2011) 
 
A pesquisa informa outros ganhos obtidos com o uso de insights gerados com 
os dados: redução do ciclo de vendas e redução no custo de vendas, observado por 
55% e 53% dos “data savvys”, respectivamente. 
O Gráfico 4 compara os resultados percebidos no desempenho de vendas 
dos data savvys comparados com os demais. 
 
 
 
15
 Os savvy marketers possuem as seguintes características: cultura que atribui importância à tomada de decisões baseada 
em dados e análises; processo formalizado de armazenamento de dados; índice médio ou acima da média no uso de dados 
para direcionar ações de marketing (SCHWARTZ, Julie 2011) - http://www.itsma.com/pdfs/research/SV4581AbbSum.pdf. 
Acesso em: 07 de dezembro de 2015 
54 
 
 
Gráfico 4 - Redução do ciclo de vendas e redução dos custos de venda 
Fonte: ITMA’s 2011 Online Survey on Data Driven Marketing (SCHWARTZ, Julie 2011) 
 
Estudos realizados em 2013 pela Teradata Corporation, com cerca de 1mil 
profissionais de marketing de diversos países, chegaram a resultados semelhantes. 
O relatório Global Teradata Data Driven Marketing Survey 2013 conclui que seis 
entre dez profissionais de marketing (58%) acreditam que as ações orientadas pelos 
insights gerados por dados contribui para a tomada de decisões mais acertadas, 
conforme demonstra o Gráfico 5. (Teradata Corporation 2013) 
 
55 
 
 
Gráfico 5 – Benefícios do uso de dados na tomada de decisões 
Fonte: 2013 Teradata Data-Driven Marketing Survey, Global (Teradata Corporation 2013) 
 
Fica evidente, portanto, que o sucesso de uma empresa, hoje, depende da 
capacidade de coletar e integrar dados digitais com dados offline tradicionais. 
Entretanto, as estratégias de marketing não serão bem sucedidas se a empresa não 
utilizar o Big Data analytics para transformar esses dados em informações úteis, que 
possam reverter em ações