Histórias têm o enorme potencial de chamar a atenção das pessoas e cativá-las. Mundo afora, muitas empresas descobriram isso, de modo a investir em ferramentas como o data storytelling. Se este termo é novo para você, saiba que ele tende a se popularizar ainda mais, principalmente no mundo dos negócios.
O que é, então, o data storytelling e por que é importante? Quais as etapas a serem realizadas para que essa estratégia traga o resultado esperado, que é o engajamento do público e, por consequência, o aumento nas vendas? Vamos responder a essas perguntas ao longo do texto. Por isso, continue lendo até o final!
O que é data storytelling?
O data storytelling consiste em usar dados para contar histórias. Em outras palavras, a ideia é trazer ao conhecimento das pessoas assuntos complexos de um modo simplificado, didático e cativante. Para isso, explora-se bastante o visual, por meio de gráficos, ilustrações, infográficos e vários outros meios.
Qual a sua importância?
Como falamos no início, histórias têm o grande poder de chamar a atenção das pessoas. Além disso, com o enorme volume de informações consumidas na internet, o uso do data storytelling consegue se destacar de outros conteúdos, de modo a conduzir consumidores na jornada de compra da empresa.
Quais as suas vantagens?
Com base na importância, podemos destacar como principais vantagens do data storytelling:
- aumento da vida útil do conteúdo, pois quando a narrativa é envolvente, as pessoas tendem a considerá-la relevante por mais tempo;
- em termos visuais, o data storytelling é bastante atraente, contribuindo no entendimento das pessoas acerca da história, fortalecendo o engajamento com a marca;
- fortalece a credibilidade de quem produz o conteúdo, visto que este se baseou em dados consistentes e relevantes.
Como criar um data storytelling?
Para criar um data storytelling de sucesso, é preciso realizar alguns passos. A seguir, você pode conferir alguns dos principais deles.
Selecione os dados de forma estratégica
Tudo começa por uma pesquisa do público. A coleta de dados deve ser feita visando a construção de uma narrativa condizente com o perfil dos consumidores que se deseja atingir. Vale destacar que histórias mal elaboradas podem causar o efeito inverso, diminuindo o engajamento e a identificação com o negócio.
Crie um filtro de dados
Um perfil do cliente vai muito além de idade, sexo e condição financeira. Por meio de filtros, é possível extrair até mesmo informações mais subjetivas, capazes de servir de base na elaboração do data storytelling. Dentre um mar de dados sobre os consumidores, é crucial descartar o que é relevante e ficar apenas com o que pode ser interessante para a audiência.
Invista em conteúdos multimídia
Um excelente exemplo de conteúdo multimídia são os vídeos. Dependendo do que estiver contido nele, as pessoas podem ter a atenção retida, de modo a consumirem outros conteúdos da empresa de forma regular. Infográficos também são bastante úteis nesse sentido, trazendo informações claras, concisas e de fácil compreensão.
O data storytelling consiste em contar histórias baseadas em dados. Se bem implementada, essa estratégia pode construir um relacionamento de longo prazo entre clientes e empresas, impactando não só as vendas, mas também a competitividade do negócio. Destacar-se hoje em dia é um grande desafio, e o data storytelling surgiu justamente para isso.
Gostou deste artigo? Então, aproveite para compartilhá-lo nas redes sociais!
Foi aluno de Ralph Kimball, maior referência mundial no assunto, no curso de Modelagem Dimensional realizado pela Kimball University, em Estocolmo – Suécia.
Já ministrou diversas palestras sobre o tema e atualmente mantêm o blog da Know Solutions, com referências sobre Business Intelligence.
Pós Graduado em Gestão de Projetos de Software pela PUC – Paraná. Trabalhou durante 7 anos na empresa Siemens onde participou de projetos em diferentes países.
Materia muito interessante
Obrigada pelo artigo 🙂 Acho que eu tenho uma equipe que pode obter cada sucesso 🙂 Mas sem kanbantool.com, nao conseguimos arranjar e controlar todas tarefas. Ferramentas digitais podem ajudar bastante – tal como manager ou teamledaer, mas mais suave 🙂 Eu planejo o dia do trabalho com kanban e todas tarefas sao cumpridas. Eu sei que nao cada um gosta trabalhar assim, mas comigo funciona 🙂
Parabéns por trazer a CRISP-DM de volta ao tablado. O “produtocentrismo” que assola o mercardo de BI pressiona os players a comprar o último brinquedo, a seguir a última moda, quando quase tudo que tem algum uso prático já existe há décadas – como o CRISP-DM
Seria legal um artigo um artigo comparando-o com SEMMA. Pode ser muito interessante para quem entrou na área há menos de 20 anos.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
Sobre o comentário do João Kechichian, concordo em relação às empresas não terem claro o que querem, e concordo com o Leandro sobre a abordagem de “Qual o seu problema” para dar as sugestões.
Mas vale ressaltar que as empresas não conseguem identificar o que querem por não terem claro um Planejamento Estratégico e objetivos bem descritos. Isso facilita muito perceber quais indicadores serão necessários acompanhar para atingir os resultados esperados.
Bom dia,
Há muita diferença das versões do livro The Data Warehouse Toolkit?
Vejo que ele esta na 3 edição.
Posso comprar apenas a 3 ou devo comprar todas?
Oi Marcos!
Há algumas atualizações com conceitos mais atuais. Não precisa comprar todas as edições não, apenas a 3a já cobre tudo que precisa.
Sim e não. A maior diferença é entre a primeira edição e as restantes. Da segunda edição em diante, quando a Margy Ross assumiu o livro, é tudo mais ou menos o mesmo.
A primeira edição, que por acaso chegou a ser publicada em português, é a melhor, na minha opinião. Ela é mais concreta, menor e mais focada. Se conseguir achá-la, compre. Vale ouro.
eu precisava para compor você uma pouco de note ajudar diga obrigado again com o extraordinário conselhos você compartilhado nesta página . Foi certamente maravilhosamente generoso com você dando abertamente tudo o que muitas pessoas {poderiam ter | poderiam possivelmente ter | poderiam ter | teriam | distribuído para um ebook para gerar alguma massa para eles mesmos , especialmente considerando que you poderia ter tried it se você nunca desejado . Those estratégias também agido como outras pessoas tenha semelhante desire como my own entender bom negócio mais relacionado este assunto . Eu tenho certeza há alguns mais agradáveis ocasiões ahead para pessoas que ver seu site
[…] de BI — Business Intelligence ou, traduzindo, Inteligência Empresarial — é justamente o diferencial que uma empresa precisa para tratar dados gerados por vários meios. Veja alguns contextos que podem servir de […]
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
Olá Leandro.
Acredito que o potencial da área de Business Intelligence dentro das empresas pode ser maior do que se imagina hoje.
Trabalho com consultoria de B.I. para agencias e empresas, e enfrentamos diariamente dois grandes problemas.
1- Padronização dos dados: Como utilizamos muitas fontes de dados, todo o processo, desde o que a implementação, até a parte operacional, precisa ser muito bem estruturada. Sem o padrão das informações perde-se muito tempo com “correção”, sendo que “tempo” não é o que temos para identificar um padrão, pois no dia seguinte ele pode mudar se não o tratarmos.
2- Pessoas que não sabem o que querem: Corporações não sabem o que querem, logo querem tudo. O problema é que sabemos que não tudo não é necessário, se consegue identificar padrões e otimizações com metade do volume. Sendo assim o processo de otimização passa a ser inteligente para ser operacional.
O futuro da área esta encaminhando para segmentações e clusterizações dinâmicas para analise de Big Data, mas se o processo de todos envolvidos precisa ser muito bem desenhado e a área de B.I. precisa ter este knowhow também.
Obrigado e muito bom seus artigos.
Oi João, obrigado pelo seu comentário! Concordo com você!
Realmente, a padronização dos dados é o ponto mais sensível mesmo. Aqui estimamos em torno de 60% a 70% do tempo em um projeto de BI apenas para esta parte.
Sobre as pessoas não saberem o que querem, aqui vemos como uma certa vantagem. Muitas vezes não é nem exatamente não saber o que querem, mas não saberem o que é possível fazer. Com isso, parte do nosso trabalho aqui é exatamente entender do que o cliente sofre aí então sugerir algumas coisas. Tentamos não ir para uma abordagem de “o que você quer” mas sim de “quais são seus problemas”.
Isso me deu até a ideia de criar um post focado nisso, vou deixar anotado para o futuro!
Existe uma técnica chamada Árvore de Realidade Presente, da Teoria das Restrições, que lida justamente com essa barafunda de problemas e entendimentos. Eu experimentei a mesma frustração que você, João, e decidi resolver esse problema. A imagem https://geekbi.files.wordpress.com/2020/10/bi_toc-crt-x.png é um resumo do que eu tenho até agora.
Adoraria uma contribuição. “O cliente não sabe o que quer” já está lá. “Dados são sujos” e “Dados são bagunçados” me parecem boas adições.
O que você acha? E você, Leandro?