Previsão do valor vitalício do cliente com abordagens de aprendizado de máquina

• Ano de defesa: 2024
• Autor(a) principal: Ramos, João Marcos Alves Modesto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Ciência da Computação
• Palavras-chave em Português: Clientes - Fidelização; Aprendizado do computador; Ciência da Computação
• Link de acesso: https://locus.ufv.br/handle/123456789/33022; https://doi.org/10.47328/ufvcaf.2024.016

A mudança de paradigma para estratégias de negócio centradas no cliente demonstrou que focar na retenção de clientes e em relacionamentos de longo prazo resulta em modelos de negócios mais lucrativos e sustentáveis em comparação com abordagens centradas no produto. Essa mudança, facilitada pelos avanços na tecnologia, permite que as empresas personalizem suas ofertas com base nas preferências e comportamentos individuais dos clientes, levando a um aumento nos lucros e na satisfação dos clientes. O Valor Vitalício do Cliente (do inglês Customer Lifetime Value ou apenas CLV) é uma métrica importante para identificar os relacionamentos com clientes mais lucrativos. O CLV é definido como o valor total que um cliente contribui para uma empresa ao longo de todo o seu relacionamento. Estimar o CLV é desafiador devido aos diversos contextos dos relacionamentos com clientes, como interações contratuais versus não contratuais e discretas versus contínuas. Além disso, a disponibilidade de dados e as preocupações com a privacidade dificultam os modelos de previsão. Modelos probabilísticos tradicionais, como Cadeias de Markov, Pareto/NBD e BG/NBD, têm sido amplamente utilizados, ao contrário dos modelos baseados em aprendizado de máquina, que muitas vezes são limitados pela dependência de dados detalhados dos clientes, que nem sempre estão disponíveis ou não condizem com a ética. O objetivo desta dissertação é apresentar um modelo baseado em aprendizado de máquina para prever o CLV em diversos contextos sem utilizar dados sensíveis dos clientes, alcançando resultados competitivos com os métodos mais avançados. Os objetivos específicos incluem propor um modelo de aprendizado de máquina baseado em RFM e outro modelo que utiliza atributos mais complexos baseados em transações. Esta dissertação está organizada em dois artigos principais. O primeiro artigo, apresentado no Capítulo 2, desenvolve uma solução usando modelos probabilísticos e técnicas de aprendizado de máquina, mostrando que os modelos propostos superam os métodos probabilísticos tradicionais na previsão do número de transações. O segundo artigo, detalhado no Capítulo 3, aprimora o modelo incorporando dados relacionados às transações e testando-o em diferentes contextos, como o setor bancário, demonstrando um desempenho melhorado em todos os aspectos, particularmente na previsão do CLV. Como resultados, os modelos de aprendizado de máquina propostos fornecem uma solução generalizável para a estimativa do CLV que prioriza a privacidade dos clientes e se adapta a diversos contextos de negócios, aprimorando a capacidade das empresas de prever o valor dos clientes e personalizar seus serviços. Palavras-chave: Customer Lifetime Value. CLV. LTV. Aprendizado de Máquina.