Segmentação comportamental de clientes usando agrupamento automático de dados

Detalhes bibliográficos
Autor(a) principal: Santos, Ronaldy Prates dos [UNIFESP]
Data de Publicação: 2023
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UNIFESP
Texto Completo: https://repositorio.unifesp.br/handle/11600/69017
Resumo: Tendo em vista a crescente importância da análise de dados para a personalização de mar keting e a identificação de oportunidades de mercado, este trabalho investiga a aplicação de técnicas de aprendizado de máquina para a segmentação de clientes, visando aprimorar a eficácia das estratégias de marketing. A abordagem RFV (Recência, Frequência, Valor) é utilizada, permitindo traçar o perfil do consumidor com base em seu comportamento de compra. Os algoritmos K-means e DBSCAN são aplicados para o agrupamento dos cli entes. A eficácia desses dois algoritmos na tarefa de agrupamento é comparada em uma pesquisa empírica, que analisa dados de milhares de clientes de uma empresa de varejo online. Os resultados mostram que o algoritmo K-means superou o DBSCAN na tarefa de agrupamento para este estudo, sendo capaz de distinguir efetivamente entre os grupos de clientes, o que facilita a construção de estratégias personalizadas para cada agrupamento. Por outro lado, o algoritmo DBSCAN agrupou uma grande proporção dos clientes em um único cluster. Esses achados reforçam que a escolha do algoritmo apropriado é crucial para a eficácia da segmentação de clientes e, consequentemente, das estratégias de marketing. Além disso, as empresas podem utilizar essas descobertas para refinar suas estratégias de marketing, garantindo que as ofertas sejam direcionadas de maneira mais eficaz para os diferentes segmentos de clientes.
id UFSP_8fb4424fad2a784837d17a143855b554
oai_identifier_str oai:repositorio.unifesp.br/:11600/69017
network_acronym_str UFSP
network_name_str Repositório Institucional da UNIFESP
repository_id_str 3465
spelling Segmentação comportamental de clientes usando agrupamento automático de dadosSegmentação de clientesMarketing personalizadoAlgoritmos de clusterizaçãoTendo em vista a crescente importância da análise de dados para a personalização de mar keting e a identificação de oportunidades de mercado, este trabalho investiga a aplicação de técnicas de aprendizado de máquina para a segmentação de clientes, visando aprimorar a eficácia das estratégias de marketing. A abordagem RFV (Recência, Frequência, Valor) é utilizada, permitindo traçar o perfil do consumidor com base em seu comportamento de compra. Os algoritmos K-means e DBSCAN são aplicados para o agrupamento dos cli entes. A eficácia desses dois algoritmos na tarefa de agrupamento é comparada em uma pesquisa empírica, que analisa dados de milhares de clientes de uma empresa de varejo online. Os resultados mostram que o algoritmo K-means superou o DBSCAN na tarefa de agrupamento para este estudo, sendo capaz de distinguir efetivamente entre os grupos de clientes, o que facilita a construção de estratégias personalizadas para cada agrupamento. Por outro lado, o algoritmo DBSCAN agrupou uma grande proporção dos clientes em um único cluster. Esses achados reforçam que a escolha do algoritmo apropriado é crucial para a eficácia da segmentação de clientes e, consequentemente, das estratégias de marketing. Além disso, as empresas podem utilizar essas descobertas para refinar suas estratégias de marketing, garantindo que as ofertas sejam direcionadas de maneira mais eficaz para os diferentes segmentos de clientes.Given the growing importance of data analysis for the personalization of marketing and the identification of market opportunities, this work investigates the application of machine learning techniques for customer segmentation, aiming to improve the effectiveness of mar keting strategies. The RFV (Recency, Frequency, Value) approach is used, allowing to trace the consumer profile based on their purchasing behavior. The K-means and DBSCAN algo rithms are applied for customer clustering. The effectiveness of these two algorithms in the clustering task is compared in an empirical study, which analyzes data from thousands of customers of an online retail company. The results show that the K-means algorithm outper formed DBSCAN in the clustering task for this study, being able to effectively distinguish between customer groups, which facilitates the construction of personalized strategies for each cluster. On the other hand, the DBSCAN algorithm clusters a large proportion of customers into a single cluster. These findings reinforce that the choice of the appropri ate algorithm is crucial for the effectiveness of customer segmentation and, consequently, marketing strategies. In addition, companies can use these findings to refine their marketing strategies, ensuring that offers are more effectively targeted to different customer segments.Não recebi financiamentoUniversidade Federal de São PauloPereira, Luis Augusto Martinshttp://lattes.cnpq.br/5228991166855582Santos, Ronaldy Prates dos [UNIFESP]2023-08-11T13:27:09Z2023-08-11T13:27:09Z2023-07-10info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersion51 f.application/pdfhttps://repositorio.unifesp.br/handle/11600/69017porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFESPinstname:Universidade Federal de São Paulo (UNIFESP)instacron:UNIFESP2024-08-13T04:14:46Zoai:repositorio.unifesp.br/:11600/69017Repositório InstitucionalPUBhttp://www.repositorio.unifesp.br/oai/requestbiblioteca.csp@unifesp.bropendoar:34652024-08-13T04:14:46Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)false
dc.title.none.fl_str_mv Segmentação comportamental de clientes usando agrupamento automático de dados
title Segmentação comportamental de clientes usando agrupamento automático de dados
spellingShingle Segmentação comportamental de clientes usando agrupamento automático de dados
Santos, Ronaldy Prates dos [UNIFESP]
Segmentação de clientes
Marketing personalizado
Algoritmos de clusterização
title_short Segmentação comportamental de clientes usando agrupamento automático de dados
title_full Segmentação comportamental de clientes usando agrupamento automático de dados
title_fullStr Segmentação comportamental de clientes usando agrupamento automático de dados
title_full_unstemmed Segmentação comportamental de clientes usando agrupamento automático de dados
title_sort Segmentação comportamental de clientes usando agrupamento automático de dados
author Santos, Ronaldy Prates dos [UNIFESP]
author_facet Santos, Ronaldy Prates dos [UNIFESP]
author_role author
dc.contributor.none.fl_str_mv Pereira, Luis Augusto Martins
http://lattes.cnpq.br/5228991166855582
dc.contributor.author.fl_str_mv Santos, Ronaldy Prates dos [UNIFESP]
dc.subject.por.fl_str_mv Segmentação de clientes
Marketing personalizado
Algoritmos de clusterização
topic Segmentação de clientes
Marketing personalizado
Algoritmos de clusterização
description Tendo em vista a crescente importância da análise de dados para a personalização de mar keting e a identificação de oportunidades de mercado, este trabalho investiga a aplicação de técnicas de aprendizado de máquina para a segmentação de clientes, visando aprimorar a eficácia das estratégias de marketing. A abordagem RFV (Recência, Frequência, Valor) é utilizada, permitindo traçar o perfil do consumidor com base em seu comportamento de compra. Os algoritmos K-means e DBSCAN são aplicados para o agrupamento dos cli entes. A eficácia desses dois algoritmos na tarefa de agrupamento é comparada em uma pesquisa empírica, que analisa dados de milhares de clientes de uma empresa de varejo online. Os resultados mostram que o algoritmo K-means superou o DBSCAN na tarefa de agrupamento para este estudo, sendo capaz de distinguir efetivamente entre os grupos de clientes, o que facilita a construção de estratégias personalizadas para cada agrupamento. Por outro lado, o algoritmo DBSCAN agrupou uma grande proporção dos clientes em um único cluster. Esses achados reforçam que a escolha do algoritmo apropriado é crucial para a eficácia da segmentação de clientes e, consequentemente, das estratégias de marketing. Além disso, as empresas podem utilizar essas descobertas para refinar suas estratégias de marketing, garantindo que as ofertas sejam direcionadas de maneira mais eficaz para os diferentes segmentos de clientes.
publishDate 2023
dc.date.none.fl_str_mv 2023-08-11T13:27:09Z
2023-08-11T13:27:09Z
2023-07-10
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.unifesp.br/handle/11600/69017
url https://repositorio.unifesp.br/handle/11600/69017
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 51 f.
application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de São Paulo
publisher.none.fl_str_mv Universidade Federal de São Paulo
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNIFESP
instname:Universidade Federal de São Paulo (UNIFESP)
instacron:UNIFESP
instname_str Universidade Federal de São Paulo (UNIFESP)
instacron_str UNIFESP
institution UNIFESP
reponame_str Repositório Institucional da UNIFESP
collection Repositório Institucional da UNIFESP
repository.name.fl_str_mv Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)
repository.mail.fl_str_mv biblioteca.csp@unifesp.br
_version_ 1814268365563232256