Development of a stochastic model to estimate customer value

• Ano de defesa: 2019
• Autor(a) principal: Bucco, Guilherme Brandelli
• Orientador(a): Becker, Joao Luiz
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Probabilidade; Valor do cliente (Customer equity); Comportamento do consumidor; Marketing de relacionamento
• Palavras-chave em Inglês: Customer lifetime value; Customer-base analysis; Customer-base risk; Probabilistic model
• Link de acesso: http://hdl.handle.net/10183/200118

As empresas têm se cada vez mais voltadas para o consumidor, alinhando as suas ações em torno deles. Diante da potencial fonte de geração de receita dos consumidores, os gestores devem buscar aumentar o valor da sua base de clientes. A gestão do relacionamento com clientes provê às empresas meios para isso, dentre eles, o customer lifetime value (CLV). De acordo com Kumar e Shah (2009), CLV trata-se de prever os fluxos de caixa futuros que cada consumidor pode prover. Diante disso, esta tese tem como objetivo desenvolver um modelo estocástico para estimativa do CLV. Encontramos na literatura relacionada a CLV uma diversidade de métodos, construídos de modo a se adequar melhor às especificidades da relação entre empresas e seus clientes. No intuito de melhor situar a presente tese, recorremos à classificação proposta por Fader e Hardie (2009), entre relacionamentos contratuais e não-contratuais. Além desta, o modelo se enquadra na classificação proposta por Gupta et al. (2006) como modelo probabilístico. O modelo probabilístico selecionado para este trabalho é o processo estocástico de renovação com recompensa. Para efetuar as estimativas de CLV em relacionamentos não-contratuais, selecionamos as variáveis intervalo entre compras e valor da compra. Para o caso contratual, buscamos identificar padrões nesse tipo de relacionamento por meio da quantidade de transações e o valor total gasto dentro de períodos pré-definidos. Não atribuimos distribuições de probabilidade a priori para tais variáveis, pois entendemos que, para que se obtenha melhores estimativas de CLV, o modelo deve representar o comportamento do consumidor de maneira mais fidedigna possível. Assim, a escolha da família de distribuições para cada variável depende da aplicação específica. Consideramos também probabilidades de o cliente estar ativo ou inativo em um dado período, seja por ter interrompido, temporariamente ou permanentemente, a relação com a empresa, seja por ter falecido. Por fim, consideramos a correlação entre os clientes presentes na base, de modo que a construção de um portfolio de clientes baseada nas estimativas do presente modelo considerem o risco sistêmico da base. Desenvolvemos um método que permite a inclusão da correlação entre clientes na solução do modelo. Não foi possível encontrar solução analítica para o modelo. Assim, propusemos uma solução baseada em simulação de eventos discretos. Efetuamos testes com duas bases de dados reais, representando os dois tipos de relacionamentos considerados. Foi possível estimar as distribuições de CLVs para cada cliente individualmente, considerando as características mencionadas.