Modelos preditivos e predição de Churn : analytics aliado a administração

• Autor(a) principal: Eidelwein, Rodrigo
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/273683
• topic: Administração de empresas; Automação; Algoritmos; Retenção de clientes; Análise de dados; Big data; Analytics; Churn; Data science; Machine learning; Client retention

Em um contexto global de transformação digital para todas facetas da vida, torna-se fundamental otimizar ao máximo todos os aspectos variáveis de uma organização, em particular o conhecimento adquirido e auxiliar ao processo de tomada de decisão. No momento em que é possível mensurar e quantificar as características particulares de cada cliente e cada produto e entender quais são os aspectos que possuem impacto positivo e negativo no relacionamento e na manutenção do cliente com a empresa, enxerga-se a disseminação da cultura analítica, em formas multivariadas, aparecer em toda gama de empresas. De pequenos projetos desenvolvidos internamente a grandes departamentos dedicados exclusivamente para a ciência de dados, ou até mesmo consultorias especializadas contratadas para atender demandas pontuais, vemos a mudança de decisões baseadas em conhecimento empírico para conhecimento estatístico impulsionado por dados. Este trabalho busca desenvolver um modelo de previsão de abandono de cliente (churn) em uma empresa facilitadora de meios de pagamentos, a empresa Adquirente. Através da criação de bases de dados, essas extraídas da mineração de milhões de blocos de transações individuais observadas durante o período de um ano, e do perfil cadastral histórico de todos os clientes, será feita a análise do perfil dos clientes, sua classificação, clusterização e detalhamento categórico de suas variáveis. Visando conceber um modelo de retenção de clientes, através do uso de diferentes algoritmos de Machine Learning, serão testadas e investigadas as diferentes variáveis observadas e buscar-se-á a escolha de um algoritmo como preditor de abandono de clientes, para a empresa poder traçar uma estratégia de manutenção dos clientes. Após a aplicação, ambos algoritmos tiveram uma alta aderência com o dataset, apresentando índices na faixa de 90% de acerto.