O documento discute como a HotelUrbano aplicou métodos ágeis, análise de dados e aprendizado de máquina para melhorar suas métricas e experiência do cliente. Inicialmente, a empresa mudou sua estrutura organizacional para ser mais centrada no cliente e implementou novas métricas baseadas em dados. Em seguida, a HotelUrbano aplicou técnicas de Lean Startup para testar hipóteses rapidamente e melhorar o funil de conversão do cliente. Por fim, a empresa contratou cientistas de dados para extrair insights a partir dos dados e ap

1. Lean e Data Science para levar o
turismo brasileiro a outro patamar

2. Bruno Pereira
• CTO do HotelUrbano em 2014
• Trabalha com métodos ágeis desde de
2007
• Fundador e CEO da Rivendel
Tecnologia
• Lean Startups/Innovation desde 2010:
60+ startups

3. Demetrius Rapello
• CTO do HotelUrbano
• Desde 2007 trabalha com métodos ágeis
• Há 14 anos desenvolvendo produtos para
internet
• Mestre em Informática pela Puc-Rio, com
especialização em machine learning e
sistemas de recomendação

4. Fonte: Exame (2014-04-11)
HotelUrbano
• maior agência de
viagens online do
brasil
• fundada em janeiro de
2011

5. 1 diária vendida a
cada 8 segundos
180 mil hotéis em
35 mil destinos, em
183 países
18 milhões de
clientes na base
HU em números

6. "Proporcionar o sonho de viajar de
todo brasileiro"
visão
• quantos milhões?
• quantos destinos?
• quantos hotéis?
Profissionalizar! Melhorando O quê e Quanto

7. “ Measure what is
measurable, and make
measurable what is not
so.” - Galileu

9. métricas
• Quantos gostariam de visitar algum desses lugares?
• Quantos conseguem prestar atenção na palestra
depois disso? :)
• Quantos acreditam que conseguimos cruzar
ociosidade com desejo de viajar e fechar negócios
melhores para todos?
• Quantos querem conhecer uma história de Lean e
Data Science aplicados para você viajar?

10. Panorama Inicial

12. dificuldades iniciais
• Estrutura organizacional
• Muitas vanity metrics, poucas
actionable metrics
• Empresa sem cultura de dados.
Muitas decisões subjetivas

13. Nossa empresa está
organizada da melhor forma?

14. mudança na cultura
antes depois
Market Driven
foco na necessidade de
distribuição
Product Driven
construir um produto baseado
nas necessidades dos usuários

15. mudança na organização dos times
Gerente de Projeto
Lider Servidor
auto organizado
antes depois

16. começamos a planejar produto
Product Manager
responsável por pensar nas
necessidades do usuário e
alinhar com UX, TI e Business

17. Estamos atuando nos
problemas corretos com as
pessoas certas?

18. priorização dos PO's
antes depois
baseada em opiniões
subjetivas
baseada em coleta e
análise de dados

19. foco nas pessoas
• contratação é o mais importante
• investimento em treinamento e eventos
• ambiente interno
• tech house

20. Lean e Métricas

21. Lean
• Pouco desperdício: buscando
mínimo de esforço pra validar
hipóteses
• Ciclos rápidos de inspeção e
adaptação
• Stop the line: mobilizamos o que for
necessário para evidenciar e corrigir
problemas
Get Out of the
fucking Building!!!

22. metrics for pirates
AARRR!

23. AARRR!!!
• Acquisition: clientes chegam ao seu produto através de diferentes
canais
• Activation: clientes gostam da 1a interação - experiência feliz
• Retention: clientes voltam e usam seu produto várias vezes
• Referral: clientes gostam o suficiente do seu produto para indicá-
lo para outras pessoas
• Revenue: clientes te geram receita
Qual etapa do funil é mais crítica pro seu
produto AGORA?

24. exemplos de métricas
Escolha poucas
métricas para
acompanhar e otimizar
o ciclo

25. Documentando
Hipóteses e experimentos

26. formulando hipóteses
Acredito que se fizermos X teremos um impacto positivo
no produto, especialmente na etapa Y do funil
• Quais são métricas que precisamos acompanhar?
• Consigo definir o que é sucesso?
• Essa hipótese conflita com alguma outra já sendo testada?
• Importante documentar o experimento realizado pra que
seja “formalizado" o aprendizado.

27. build measure and learn
Escolha poucas
métricas para
acompanhar e otimizar
o ciclo

28. Data Science

29. “In god we trust. All
others must bring data”
- W. Edwards Deming

30. Data Science
• Extração de conhecimento a partir dos dados
• Aplicamos análises estatísticas e aprendizado de máquina
para entender o histórico e prever comportamento futuro
• Comumente associado a Big Data, mas já conseguimos
muitos aprendizados valiosos com Small Data.

31. time de data science e papéis
• Data Engineering: captura, extração/limpeza e disponibilização de
dados
• Data Scientist: algoritmos de machine learning e estatística
• Data Visualization: implementam visualizações e usam análises
exploratórias e preditivas para gerar insights de negócio
• Data Stewards: profissionais analíticos alocados nas áreas de
negócio para apoiar na utilização do conhecimento obtido
Tão importante quanto gerar inteligência é garantir que
ela seja usada. Realimentar áreas de negócio
continuamente é essencial.

32. Use Cases
• Marketing: prever LTV, segmentação de clientes, churn,
recomendação
• Vendas: priorização de leads, predição de demanda
• Risco: detecção de fraude, avaliação de crédito
• Varejo: precificação, layout de loja física, gestão de inventário,
recomendação de novas lojas
• Hotelaria: precificação dinâmica, segmentação de clientes x
produtos, priorização de investimentos
Claro, também dá pra resolver o problema das
bicicletinhas de Amsterdam! ;)

33. Stack Realtime Stack Analítica

34. criando uma cultura
data driven

35. premissas
• Colaboração e foco
• imersão no negócio
• métricas acionáveis
• respire dados
• repetível e escalável

36. onde estamos agora

37. O próximo tripulante pode ser você!
recrutamento@hotelurbano.com.br
demetrius.rapello@hotelurbano.com.br
bruno.pereira@hotelurbano.com.br
bruno.pereira@rivendel.com.br