Uma abordagem de métodos preditivos de Churn em uma organização bancária

Detalhes bibliográficos
Autor(a) principal: Silveira, Leonardo José Menezes
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UNIFOR
Texto Completo: https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/126836
Resumo: Uma constante no mundo dos negócios é a frequente movimentação de clientes, aderindo ou abandonando os serviços e produtos das empresas. O cliente é um dos ativos mais importantes de uma empresa. Reduzir o índice de abandono dos clientes passou a ser questão de sobrevivência e, ao mesmo tempo, o modo mais eficiente para manter a clientela, uma vez que a substituição dos desistentes por novos clientes custa, em média, 40% mais caro. Visando mitigar o fenômeno churn (evasão de clientes), este estudo teve por objetivo comparar modelos preditivos para descobrir o método mais eficiente para identificar os clientes que tendem ao abandono, no contexto de uma organização bancária. Através da revisão da literatura de trabalhos relacionados sobre o tema, os modelos Redes Neurais, Árvore de Decisão, Floresta Aleatória e Regressão logística foram os mais citados, sendo os eleitos para esse trabalho. O contexto foi uma organização bancária múltipla de economia mista, de capital aberto, de porte médio com mais de quatro milhões de clientes ativos. A metodologia abordada foi a quantitativa, descritiva e aplicada, utilizando dados reais para um estudo de caso. Foram desenvolvidas análises em uma amostra de 200 mil operações de crédito, com 497 variáveis explicativas. O tratamento estatístico dos dados e o desenvolvimento dos modelos preditivos de churn foram realizados por meio do software Orange Data Mining. Os resultados mais expressivos foram alcançados por meio da Floresta Aleatória, tendo sido observada acurácia (índice de acertos) em patamar de 82%. Portanto, o trabalho evidencia que o desenvolvimento de ações de retenção são relevantes e contribuem significativamente para os resultados da empresa. Palavras-chave: Evasão de clientes. Aprendizagem de máquina. Modelo preditivo Churn. Redes Neurais. Árvore de Decisão. Floresta Aleatória. Regressão Logística
id UFOR_baf8820d225ba50156c5425196f5da78
oai_identifier_str oai::126836
network_acronym_str UFOR
network_name_str Biblioteca Digital de Teses e Dissertações da UNIFOR
repository_id_str
spelling Uma abordagem de métodos preditivos de Churn em uma organização bancáriaAdministração de empresasCompetitividade - BancosMarketing de relacionamentoUma constante no mundo dos negócios é a frequente movimentação de clientes, aderindo ou abandonando os serviços e produtos das empresas. O cliente é um dos ativos mais importantes de uma empresa. Reduzir o índice de abandono dos clientes passou a ser questão de sobrevivência e, ao mesmo tempo, o modo mais eficiente para manter a clientela, uma vez que a substituição dos desistentes por novos clientes custa, em média, 40% mais caro. Visando mitigar o fenômeno churn (evasão de clientes), este estudo teve por objetivo comparar modelos preditivos para descobrir o método mais eficiente para identificar os clientes que tendem ao abandono, no contexto de uma organização bancária. Através da revisão da literatura de trabalhos relacionados sobre o tema, os modelos Redes Neurais, Árvore de Decisão, Floresta Aleatória e Regressão logística foram os mais citados, sendo os eleitos para esse trabalho. O contexto foi uma organização bancária múltipla de economia mista, de capital aberto, de porte médio com mais de quatro milhões de clientes ativos. A metodologia abordada foi a quantitativa, descritiva e aplicada, utilizando dados reais para um estudo de caso. Foram desenvolvidas análises em uma amostra de 200 mil operações de crédito, com 497 variáveis explicativas. O tratamento estatístico dos dados e o desenvolvimento dos modelos preditivos de churn foram realizados por meio do software Orange Data Mining. Os resultados mais expressivos foram alcançados por meio da Floresta Aleatória, tendo sido observada acurácia (índice de acertos) em patamar de 82%. Portanto, o trabalho evidencia que o desenvolvimento de ações de retenção são relevantes e contribuem significativamente para os resultados da empresa. Palavras-chave: Evasão de clientes. Aprendizagem de máquina. Modelo preditivo Churn. Redes Neurais. Árvore de Decisão. Floresta Aleatória. Regressão LogísticaA constant in the business world is the frequent movement of customers, joining or abandoning a company¿s services and products. The customer is one of company¿s most important asset. Reducing the rate of customer abandonment has become a matter of survival and, at the same time, since the replacement of lost clients costs, on average, 40% more it is more cost effective to retain them. Aiming to mitigate the churn (customer attrition) phenomenon, this study aimed to compare predictive models to discover the most efficient method to identify customers who tend to dropout, in the context of a banking organization. Through the literature review of related works on the subject, the Neural Networks, Decision Tree, Random Forest and Logistic Regression models were the most cited, being the chosen ones for this work. The context was a medium-sized, publicly traded, mixed-capital multi-banking organization with more than four million active customers. The methodology approached was quantitative, descriptive and applied, using real data for a case study. Analyses were carried out on a sample of 200 thousand credit operations, with 497 explanatory variables. The statistical treatment of the data and the development of predictive models of churn were carried out using Orange Data Mining software. The most revealing results were achieved through Random Forest, with an accuracy (hit rate) at a level of 82%. Therefore, this work shows that the development of retention actions are relevant and significantly contribute to a company¿s results. Keywords: Churn. Machine learning. Churn predictive Model. Neural Networks. Decision Tree. Random Forest. Logistic Regression.Dissertação enviada com autorização e certificação via CI 58811/21 em 31/08/2021Pinheiro, Plácido RogérioMelo Júnior, Leopoldo Soares deNunes, Luciano CominSimão Filho, MarumUniversidade de Fortaleza. Mestrado Profissional em AdministraçãoSilveira, Leonardo José Menezes2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/126836https://uol.unifor.br/auth-sophia/exibicao/26269porreponame:Biblioteca Digital de Teses e Dissertações da UNIFORinstname:Universidade de Fortaleza (UNIFOR)instacron:UNIFORinfo:eu-repo/semantics/openAccess2023-08-29T12:36:37Zoai::126836Biblioteca Digital de Teses e Dissertaçõeshttps://www.unifor.br/bdtdONGhttp://dspace.unifor.br/oai/requestbib@unifor.br||bib@unifor.bropendoar:2023-08-29T12:36:37Biblioteca Digital de Teses e Dissertações da UNIFOR - Universidade de Fortaleza (UNIFOR)false
dc.title.none.fl_str_mv Uma abordagem de métodos preditivos de Churn em uma organização bancária
title Uma abordagem de métodos preditivos de Churn em uma organização bancária
spellingShingle Uma abordagem de métodos preditivos de Churn em uma organização bancária
Silveira, Leonardo José Menezes
Administração de empresas
Competitividade - Bancos
Marketing de relacionamento
title_short Uma abordagem de métodos preditivos de Churn em uma organização bancária
title_full Uma abordagem de métodos preditivos de Churn em uma organização bancária
title_fullStr Uma abordagem de métodos preditivos de Churn em uma organização bancária
title_full_unstemmed Uma abordagem de métodos preditivos de Churn em uma organização bancária
title_sort Uma abordagem de métodos preditivos de Churn em uma organização bancária
author Silveira, Leonardo José Menezes
author_facet Silveira, Leonardo José Menezes
author_role author
dc.contributor.none.fl_str_mv Pinheiro, Plácido Rogério
Melo Júnior, Leopoldo Soares de
Nunes, Luciano Comin
Simão Filho, Marum
Universidade de Fortaleza. Mestrado Profissional em Administração
dc.contributor.author.fl_str_mv Silveira, Leonardo José Menezes
dc.subject.por.fl_str_mv Administração de empresas
Competitividade - Bancos
Marketing de relacionamento
topic Administração de empresas
Competitividade - Bancos
Marketing de relacionamento
description Uma constante no mundo dos negócios é a frequente movimentação de clientes, aderindo ou abandonando os serviços e produtos das empresas. O cliente é um dos ativos mais importantes de uma empresa. Reduzir o índice de abandono dos clientes passou a ser questão de sobrevivência e, ao mesmo tempo, o modo mais eficiente para manter a clientela, uma vez que a substituição dos desistentes por novos clientes custa, em média, 40% mais caro. Visando mitigar o fenômeno churn (evasão de clientes), este estudo teve por objetivo comparar modelos preditivos para descobrir o método mais eficiente para identificar os clientes que tendem ao abandono, no contexto de uma organização bancária. Através da revisão da literatura de trabalhos relacionados sobre o tema, os modelos Redes Neurais, Árvore de Decisão, Floresta Aleatória e Regressão logística foram os mais citados, sendo os eleitos para esse trabalho. O contexto foi uma organização bancária múltipla de economia mista, de capital aberto, de porte médio com mais de quatro milhões de clientes ativos. A metodologia abordada foi a quantitativa, descritiva e aplicada, utilizando dados reais para um estudo de caso. Foram desenvolvidas análises em uma amostra de 200 mil operações de crédito, com 497 variáveis explicativas. O tratamento estatístico dos dados e o desenvolvimento dos modelos preditivos de churn foram realizados por meio do software Orange Data Mining. Os resultados mais expressivos foram alcançados por meio da Floresta Aleatória, tendo sido observada acurácia (índice de acertos) em patamar de 82%. Portanto, o trabalho evidencia que o desenvolvimento de ações de retenção são relevantes e contribuem significativamente para os resultados da empresa. Palavras-chave: Evasão de clientes. Aprendizagem de máquina. Modelo preditivo Churn. Redes Neurais. Árvore de Decisão. Floresta Aleatória. Regressão Logística
publishDate 2021
dc.date.none.fl_str_mv 2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/126836
url https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/126836
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://uol.unifor.br/auth-sophia/exibicao/26269
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UNIFOR
instname:Universidade de Fortaleza (UNIFOR)
instacron:UNIFOR
instname_str Universidade de Fortaleza (UNIFOR)
instacron_str UNIFOR
institution UNIFOR
reponame_str Biblioteca Digital de Teses e Dissertações da UNIFOR
collection Biblioteca Digital de Teses e Dissertações da UNIFOR
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UNIFOR - Universidade de Fortaleza (UNIFOR)
repository.mail.fl_str_mv bib@unifor.br||bib@unifor.br
_version_ 1800408709694750720

Registros relacionados