Previsão e-commerce: indicadores de desempenho por canal

Abstract

Com o avanço da internet, muitas empresas adotaram o comércio eletrónico, a partir de uma ferramenta básica de comunicação num mercado interativo de produtos e serviços. Iniciou-se uma análise do modelo de negócio da empresa Overcube para compreender melhor os principais indicadores de desempenho deste negócio. Esta análise serviu para depois prever mensalmente os resultados por canal. O objetivo é o desenvolvimento de modelos de previsão para o custo e a receita em tempo real. No presente estudo, a pedido pela Overcube, foram tratados os dados disponíveis em duas bases de dados. Estas base de dados, Facebook Ads e Google Ads, foram devidamente divididas e tratadas de modo a permitir uma análise mais eficiente, para a previsão do custo e da receita. Os KPIs ("Key Performance Indicator") de previsão podem ajudar essas empresas de comércio electrónico a terem a percepção do impacto das suas ações para garantir que as metas de negócios sejam alcançadas. Os dois canais utilizados foram: Facebook e o Google Adwords. Estes canais fornecem métricas relacionadas com o número de cliques e as impressões do cliente, mas a Overcube tem como principais KPIs os cliques (clicks), impressões (impressions), alcance (reach), conversões (conversions), adições ao carrinho (add to cart), número de resultados (results), custo por resultado (CPR), compromisso (engagement), CTR, CPC, CPA, ROAS, CR, CPM e o AOV. Estas são as métricas importantes usadas pela Overcube para indicar o seu progresso em direção a uma meta de negócios definida. O principal objetivo desta tese foi melhorar a previsão de KPIs usando dados históricos. A abordagem metodológica usada consistiu na análise da regressão múltipla e na análise de séries temporais (modelo ARIMA). O objetivo deste trabalho, foi adquirir conhecimento suficiente do negócio, para compreender quais os indicadores principais de performance. E, desta forma, prever por canal quais seriam os resultados esperados. Pretende-se desenvolver modelos de previsão para o custo e a receita em tempo real. O principal objetivo desta tese foi melhorar a previsão de KPIs usando dados históricos. A abordagem metodológica usada consistiu na análise da regressão múltipla e na análise de séries temporais (modelo ARIMA). Através da análise das bases de dados, verificou-se qua a nível das séries temporais a informação era escassa e a amostra era de dimensão reduzida. Dos modelos finais de previsão obtidos, os que apresentam melhores resultados são os da regressão múltipla.

With the advancement of the internet, many companies have adopted e-commerce from a basic communication tool in an interactive market for products and services. An analysis of Overcube’s business model was started to better understand the key performance indicators of this business. This analysis then served to view monthly results by channel. The objective of this internship is to develop real-time cost and revenue forecasting models. In the present study, an Overcube requests, were available at two databases. These databases, Facebook Ads and Google Ads, have been properly split and treated to allow more efficient analysis for cost and revenue prediction. Forecasting Key Performance Indicator (KPIs) can help these e-commerce companies realize the impact of their actions to ensure that business goals are reached. The two channels used were: Facebook and Google Adwords. These channels provide metrics related to the numeber of clicks and impressions, but Overcube’s primary KPIs are clicks, impressions,range, conversions, add to cart, number of results, cost per result (CPR), engagement, CTR, CPC, CPA, ROAS, CR, CPM and AOV. These are the important metrics used by Overcube to indicate the progress in direction to a defined business goal. The main objective of this thesis was to improve KPI prediction using historical data. The methodological approach used consisted on a multiple regression analysis and time series analysis (ARIMA model). The purpose of this internship was to acquire sufficient knowledge of the business to understand the main performance indicators. And, in this way, predict monthly and by channel what would be the expected results. It is intended to develop forecast models for real-time cost and revenue. The main objective of this thesis was to improve KPI prediction using historical data. The methodological approach used, consisted of multiple regression analysis and time series analysis (ARIMA model).Trough the database analysis, it was found that at the time series level, information was scarce and the sample was small sized. From the final prediction models obtained, the ones with the best results are the multiple regression.