Modelagens preditivas de Churn: o caso do Banco do Brasil

• Ano de defesa: 2019
• Autor(a) principal: Franceschi, Pietro Reinheimer de
• Orientador(a): Trez, Guilherme
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Gestão e Negócios
• Departamento: Escola de Gestão e Negócios
• País: Brasil
• Palavras-chave em Português: Evasão de clientes; Modelagens preditivas; Mineração de dados; Regressão Logística; Stepwise; Random Forests; Redes Neurais
• Palavras-chave em Inglês: Customer churn; Prediction churn; Data mining; Logistic regression; Stepwise; Random forests; Neural networks
• Área do conhecimento CNPq: ACCNPQ::Ciências Sociais Aplicadas::Administração
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/9087

Este estudo teve por objetivo comparar modelos preditivos para identificação de clientes de uma instituição financeira que tendem ao fenômeno do churn. A perda ou abandono de clientes (churn), ainda que em uma perspectiva parcial (desidratação), representa impactos significativos aos resultados das organizações. O contexto de estudo é uma das 100 maiores empresas financeiras do mundo. A metodologia aplicada correspondeu a uma fase qualitativa, com o objetivo de mapear variáveis consideradas preditoras da evasão de clientes, aderentes a Subramanya e Somani (2017). Posteriormente foram desenvolvidas análises quantitativas em uma amostra de 2343 clientes fornecida pelo Banco do Brasil S.A., contemplando 118 variáveis explicativas, com posição histórica mensal de até 17 meses anteriores a fevereiro de 2019. O tratamento estatístico dos dados e o desenvolvimento dos modelos preditivos da desidratação foram realizados por meio do software RSTUDIO. Dentre as técnicas de mineração de dados que podem ser utilizadas na execução dos modelos preditivos utilizou-se a Regressão Logística, Regressão Logística com seleção Stepwise de variáveis independentes, Florestas Aleatórias (Random Forests) e Redes Neurais, tendo em vista a sugestão verificada na literatura de que tais metodologias são promissoras na previsão de customer churn. Os resultados mais expressivos foram alcançados por meio da Regressão Logística, tendo sido observada acurácia (índice de acertos) em patamar de 81%. O trabalho evidencia que o desenvolvimento de ações de retenção pode contribuir significativamente para os resultados da empresa.