Avaliação de métodos de clustering para a segmentação geográfica de clientes

• Autor(a) principal: De Nadal, Guilherme Kauer
• 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/10183/262175
• topic: Análise de clusters; Segmentação de mercado; Atendimento ao cliente; K-means; K-means ++; SVM; Clustering

Em 2014 foram levantados a existência de mais de 1,2 mihões de pontos de vendas de bebidas no Brasil. Entre as empresas mais influentes do ramo, pode ser destacado a Ambev, que detém em seu portfólio marcas de bebidas como Budweiser, Brahma e Stella Artois. Com mais de 1 milhão de clientes em 2022 e 111 centros de distribuições, existe complexo problema para segmentar o atendimento destes pontos de vendas. Para atende-los de forma singular, são designados vendedores a cada ponto de venda, os quais auxiliam nas vendas de produtos como também ajudam preventivamente em possíveis problemas decorrentes da entrega. Levando em conta a quantidade de pontos de vendas que os vendedores da empresa precisam atender diariamente, uma metodologia para o planejamento de visitas se faz necessário. Desta maneira, o presente trabalho buscou propor um método para segmentar geograficamente as regiões de atendimento através de algoritmos de clustering. Para isso, foram estudados os fundamentos básicos do método de clusterização bem como testados diferentes métodos: K-means, K-means ++ e Suppor Vector Machine. Ao analisar os quatro métodos, foram avalidados parâmetros de velocidade de processamento do algoritmo, de distância média entre os pontos de venda de cada cluster gerado e da distribuição da quantidade de pontos de venda por região. O método que melhor obteve resultados nestes parâmetros foi o K-means, sendo assim utilizado em nas seguintes cidades: Sapucaia do Sul, Porto Alegre e Gravataí. Em um total de 210 clusters, a aplicação do K-means gerou uma redução de 69,1% da distância total de quilômetros dos pontos de venda frente aos pontos médios de seus respectivos clusters. Além disso, foi reduzido 67,7% do desvio padrão fem relação a quantidade de clientes alocados por clusters. Mesmo por vezes alocando clientes muitos próximos geograficamente em clusters diferentes, o K-means foi capaz de segmentar regiões e melhorar a disitrbuição de clientes por vendedores. Assim, pode ser concluido que métodos de clustering são eficazes para segmentar dados geográficos.