Encontrando padrões em dados qualitativos com Machine Learning (da teoria à pratica)
Product Ride #7 - Reconhecendo padrões em respostas qualitativas (NPS, Comentários em App Stores, CSAT, Sean Ellis Test, Twittes e etc...)
👋 Olá, aqui é o Sulivan Santiago, CTO da Lincon. Na minha caminhada ajudei milhares de empreendedores e intraempreendedores a lançarem seus produtos no mercado. Esta newsletter é um compilado de insights, análises, conteúdo e minhas próprias loucuras na jornada de zero a um.
🕐Tempo estimado de leitura (8Min) e prática (10Min)
Este post é um trabalho conjunto com Admar Neto e sua empresa Wabafood, que será case prático do tema. Neto é um super estudioso da área de tecnologia e machine learning! Como o case é real, vale dizer que os dados são anonimizados! Logo, estamos cobertos pela LGPD. A LGPD classifica dados anonimizados como aqueles que não são possíveis de fazer engenharia reversa para identificar o seu titular.
Tudo pronto, vamos? (na voz do waze)
Há muito tempo eu não tinha tido a oportunidade de passar um tempo com ele. Saber que iríamos nos encontrar foi muito legal. Fizemos muitas coisas juntos, nos divertimos demais. Até que, comecei a perceber muitas indagações do tipo: Uhn! Em boa parte das nossas interações o “Uhn?” estava presente. Infelizmente, meu bom e velho amigo já não estava ouvindo como antes. Era preciso falar de perto e mais alto.
Conforme envelhecemos nossa capacidade de ouvir altas frequências diminui. Isso porque as pequenas células ciliadas, responsáveis por transformar a vibração do som em sinais elétricos e então retransmitir ao cérebro, são danificadas ou morrem. E infelizmente, elas não crescem novamente. Existem estudos em andamento, como este aqui, que prometem atuar no tratamento da perda auditiva estimulando o crescimento das células. Se tudo der certo a perda auditiva ficará em museu 🤞 em breve.
Células Ciliadas Auditivas. Fonte: Twitter @AsapSCIENCE
Este contexto todo me fez questionar muitas coisas. Uma delas foi quantos anos meus ouvidos têm? Eu sei, é uma pergunta muito estranha. Maaaas, não custa dar um google. Foi então que encontrei o Joe, especialista em áudio, que publicou um teste interessante em seu canal. Ele toca um som que vai da alta frequência até a baixa e mostra ao mesmo tempo a idade correlacionada na tela.
Ele explica no vídeo e nos comentários qual a fórmula utilizada, caso esteja curioso. Vale lembrar que este não é um teste clínico, seria mais curiosidade educativa e entretenimento.
Por que você não faz o teste e encontra sua idade auditiva?
O que está por trás da perda auditiva é a perda dos detalhes, a perda da mensagem em sua plenitude. E claro, isto torna impossível uma boa comunicação.
Ampliando a capacidade auditiva da sua empresa, projeto, startup ou produto.
Ao contrário do envelhecimento humano, o caminho precisa ser de melhoria contínua no contexto de negócios. Ou seja, conforme minha empresa/projeto/startup/produto amadurece, melhor meus “ouvidos” deveriam ficar. Sabemos que não é muito o caso. Se pegarmos a área de SAC de grandes empresas é perceptível a deterioração dos seus “ouvidos” (aqui tem um exemplo). Por outro lado, quando falamos de startups em estágio inicial, os “ouvidos” são, por vezes, ainda mal formados e com um longo caminho à frente para capturar detalhes.
Para contextualizar melhor o que quero dizer, vamos considerar pesquisas de NPS. É um exemplo que navega bem em empresas bem estabelecidas e produtos/startups em estágio inicial.
⛔ Não sabe o que é NPS? Tem uma explicação completa aqui
O detalhe mais importante do NPS não está na nota quantitativa em si, mas na causa-raiz motivadora da nota. Se soubermos os “por quês” podemos parar, diminuir, aumentar ou criar coisas. Podemos influenciar na alavanca que move a nota. Logo, estou falando da importância da segunda pergunta do NPS:
Qual o motivo para a nota que você deu?
É fácil capturar insights da pergunta acima quando o volume de pessoas é baixo. E quando o volume é alto? Não precisa ir longe… talvez 20, 30, 50 respostas já se torne um caos para encontrá-los. Precisamos melhorar nossos “ouvidos” para encontrar detalhes!
Machine Learning como ferramental auditivo. Na prática!
⛔ Pausa! ⛔
🚩 Nota ao leitor: Fique comigo, não falaremos de matemática, estatística, programação ou lógica de forma pesada. O objetivo é tornar o complexo tangível e fácil. Porém, caso desejar, deixamos um link que leva para explicação do funcionamento do algoritmo dentro do link do Google Colab.
Passo 1: Separe o conteúdo qualitativo. Por exemplo, se for NPS, crie uma planilha com uma coluna que contenha todos os feedbacks que foram recebidos. Atenção, considere a linha 1 como cabeçalho. Você deve ter algo assim ao concluir esta atividade.
Depois, exporte/salve a planilha como .csv.
Importante: O algoritmo não depende do número de colunas presentes no documento. O importante é detectar em qual coluna os feedbacks estão e então alterar o código de acordo no Google Colab. Para isso, vá ao trecho “Célula C” do código e onde está marcado em vermelho (ver abaixo) mude para o nome da sua coluna.
Passo 2: Rodar o algoritmo! Configurar um ambiente de machine learning pode ser desafiador para quem não é da área. Então, para superar esta potencial dificuldade, vamos utilizar o Google Colab (um ambiente já montado em máquina virtual para você rodar seu estudo). Você não precisa configurar nada. Basta acessar este link, criar uma cópia e mudar algumas coisinhas que vou te mostrar abaixo.
Passo 3: Customizar para sua necessidade. O Neto, co-autor do post, fez um passo a passo para você no próprio link acima. Basta seguir as instruções. Entretanto, se sentir dificuldades, assista este vídeo onde eu compartilho minha tela e caminho pelos passos aqui compartilhados. 🔗
Por fim, basta analisar os dados e trazer insights para mesa. Uma dica, compartilhar os resultados com stakeholders envolvidos no processo de entrega do produto/serviço (time de operações, vendas, marketing, produto e etc) pode ajudar muito no próximo passo que é um plano de ação.
Curtiu? Quer explorar mais o tema Machine Learning (ML)? Dá uma olhada neste post aqui falo sobre o uso de ML para encontrar personas! 👋
“In God we trust; all others must bring data”
- William Edwards Deming
Curtiu? Não esqueça de encaminhar essa edição para seus amigos e parceiros.
Obrigado por ler até aqui. Fique à vontade para comentar abaixo ou me responder este e-mail contando o que achou.
Abraço,😉