Customer Experience e Customer Health Score de clientes SaaS: uma análise da parametrização das métricas que influenciam o Customer Churn

• Autor(a) principal: Carezzato, Adriano Akissue Marangoni
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
• Texto Completo: https://hdl.handle.net/10438/28445
• topic: Métricas de customer churn; Seleção de variáveis para predição de churn; Calibragem de modelo preditor de churn; Customer experience; Customer churn; Customer churn metrics; Churn prediction feature selection; Churn predictor model calibration; Administração de empresas; Clientes - Fidelização; Comportamento do consumidor; Marketing de relacionamento; Sistemas de informação gerencial; Indústria de software

Apesar da rotatividade de clientes, ou Customer Churn, nas indústrias de serviços ter sido estudada extensivamente, o Software as a Service ainda não representa um foco específico de pesquisas acadêmicas especialmente no que concerne as métricas que compõem o Customer Health Score. Buscou-se oferecer uma metodologia para criação de um modelo preditivo de Customer Churn a partir do cálculo de Customer Health Score. Levou-se em consideração seus diversos indicadores e variáveis que podem ser medidos em todas as etapas de interação dos clientes ao longo de sua jornada. Tomou-se como foco uma empresa líder na América Latina em software, cuja classe de produtos principal é o ERP, do inglês Enterprise Resource Planning. A análise foi realizada por meio de dois algoritmos preditivos – regressão logística, que é um modelo já bastante estudado e de uso bastante consolidado, e o XGBoost, que é um modelo mais novo e que tem apresentado bons resultados em diversas aplicações– utilizandose principalmente dados coletados em interações do cliente com a companhia. Foram considerados dados de 40.635 clientes que compõem a carteira de clientes com receita recorrente da companhia. As contribuições de quatro categorias de variáveis que poderiam compor um Customer Health Score foram analisadas: informações de interação da companhia com o cliente, informações sobre o cliente, informações sobre os contratos existentes e informações comerciais. Os modelos testados nesse trabalho analisaram, ao todo, 396 variáveis candidatas coletadas num período de 19 meses – de setembro de 2017 a março de 2019 – representando um número de dados unitários superior a 220 milhões. O modelo de XGBoost apresentou bons resultados de indicadores quantitativos para o caso estudado tendo os melhores índices de TPR (0,6547), Precisão (0,7268) e F-Score (0,6889). A metodologia aplicada é descrita em nível operacional, permitindo assim que outros pesquisadores e analistas possam replicá-la em contextos diferentes e mais amplos.