Big data analytics e machine learning para predição de falhas causadoras dos detratores para apoio na tomada de decisão em uma empresa de artigos esportivos

• Ano de defesa: 2023
• Autor(a) principal: Silva, Yuri Augusto Vieira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
• Palavras-chave em Português: Big Data Analytics; Machine learning; Net Promoter Score; Tomada de decisão; Varejo
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/5234; https://doi.org/10.31414/EM.2023.D.131667

O cenário atual do varejo traz novos desafios para as empresas, já que os consumidores estão mais exigentes. Com isso, as empresas varejistas precisam analisar o big data para identificar as falhas que causam clientes detratores do indicador de NPS, ou seja, consumidores insatisfeitos em sua jornada de compra. O objetivo desse estudo é analisar um big data de uma empresa do comércio varejista de artigos esportivos para mensurar as falhas causadoras dos clientes detratores do indicador de NPS e consequentemente auxiliar na tomada de decisão utilizando machine learning. O método de pesquisa adotado foi análise de big data de detratores de NPS com estatística descritiva para identificar as principais falhas e técnica de machine learning para encontrar padrões e apoiar na tomada de decisão. Se concluiu que esse estudo contribui com o estado da arte ao analisar os detratores de um big data extraído de uma empresa varejista de produtos esportivos, além da aplicação da árvore de decisão (técnica de machine learning de classificação), permitindo a identificação das principais falhas (acareação na entrega de produtos e as devoluções por insatisfação ao produto recebido), que afetam a lealdade do cliente com a empresa. Este trabalho contribui para a prática organizacional, já que pode incentivar as empresas varejistas à adoção de setores para análise de big data com aplicação de técnicas de machine learning, auxiliando na tomada de decisão mais assertiva para os gestores nas análises das operações e experiência do cliente. Também se concluiu avanços sociais na área de ciência de dados para realizar análises de big data e aplicação de técnicas de machine learning; além da melhoria do nível de serviço devido a uma baixa incidência de falhas, que traz benefícios para os consumidores