Aprendizado supervisionado na predição de modelo para retenção de clientes
DOI:
https://doi.org/10.34140/bjbv6n3-009Palavras-chave:
modelo preditivo, telecomunicação, fidelização, ChurnResumo
O aprendizado supervisionado é uma ferramenta poderosa na tomada de decisões gerenciais baseadas em dados. Com modelos de aprendizado supervisionado, as organizações podem extrair informações importantes de grandes volumes de dados a fim de analisar a rotatividade de clientes. No entanto, mesmo com avanços no setor e com novas técnicas sendo difundidas para estas análises, ainda há limitações, especialmente quando existe o chamado problema de desequilíbrio de classe. Desta maneira, o objetivo do presente estudo foi apontar fatores na predição de abandono de clientes por meio de modelo supervisionado com solução para dados desequilibrados. Com dados disponibilizados por uma empresa de telecomunicações com atuação no Brasil, o modelo de predição obtido apresentou uma taxa de assertividade geral de 90,96% que, pela perspectiva do CLV (customer lifetime value), permite concluir que pode ser gerado um incremento de faturamento, de cerca de R$ 5 milhões para a operadora.
Referências
Ahmad, A.K., Jafar, A. & Aljoumaa, K. (2019). Previsão de churn de clientes em telecomunicações usando aprendizado de máquina em plataforma de big data. J Big Data, 6, 28.
Accenture. (2009). The new customer imperative: retaining and acquiring customers in a changed banking landscape. The Point, 9(4), 1-8.
Bassanezi, R.C. (2004). Ensino-aprendizagem com modelagem matemática. São Paulo: Contexto.
Berry, M. A., Linoff, G. S. (2000). Mastering Data Mining: The Art and Science of Customer Relationship Management. John Wiley & Sons.
Castro, C. L. de., & Braga, A. P. (2011). Aprendizado supervisionado com conjuntos de dados desbalanceados. Sba: Controle & Automação Sociedade Brasileira De Automatica, 22(5), 441–466. https://doi.org/10.1590/S0103-17592011000500002.
Conover, W. J. (1999). Practical Nonparametric Statistics. (3rd ed.), John Wiley & Sons, New York, NY.
Draper, N. R., Smith, H. (2014). Applied regression analysis. John Wiley & Sons.
Data Science Team (2020, 03 de maio). Curva ROC – Aprendizado de Máquina. Disponível em https://datascience.eu/pt/aprendizado-de-maquina/entendendo-a-curva-auc-roc/
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognit. Lett. 27, 861–874.
Ferreira, J. B. (2005). Migração de Dados na Retenção de Clientes em Telefonia Celular. Dissertação (Mestrado em Engenharia Elétrica), PUC, Rio de Janeiro.
Ferreira, J. B., Freitas, A. S., & Giovannini, C. J. (2012). Customer lifetime value: análise do valor do cliente em uma operadora de telefonia celular – o caso VIVO. Revista Brasileira de Marketing, 11(3), 75-100.
Freire, D.L. et al. (2023). Exploratory Study of Data Sampling Methods for Imbalanced Legal Text Classification. In: García Bringas, P., et al. Hybrid Artificial Intelligent Systems. HAIS 2023. Lecture Notes in Computer Science, 14001.
Geiler L., Affeldt S., Nadif M. (2022). An effective strategy for churn prediction and customer profiling, Data & Knowledge Engineering, 142.
Haddadi, S.J. et al. (2024). Customer churn prediction in imbalanced datasets with resampling methods: A comparative study, Expert Systems with Applications, 246.
Hair, J.F., Anderson, R. E. (1998). Multivariate data Analysis. Prentice Hall, fifth edition.
Hosmer, D., Lemeshow, S. (2000). Applied Logistic Regression. Estados Unidos: Jhon Wiley and sons.
Jain, H., Khunteta, A., Srivastava, S. (2020). Churn Prediction in Telecommunication using Logistic Regression and Logit Boost. Procedia Computer Science, 167,101-112.
Jain, H., Khunteta, A., Srivastava, S. (2021). Telecom churn prediction and used techniques, datasets and performance measures: a review. Telecommunication Systems, 76, 613-630.
Jain, N. (2023, September 8). O que é segmentação de clientes? Definição, modelos, análise, estratégia e exemplos. IdeaScale. https://ideascale.com/pt-br/blogue/o-que-e-segmentacao-de-clientes/
Li, Y., Hou, B., Wu, Y., Zhao, D., Xie, A., & Zou, P. (2021). Giant fight: Customer churn prediction in traditional broadcast industry. Journal of Business Research, 131, 630-639.
Liu, XY., Wang, ST. & Zhang, ML. (2019). Transfer synthetic over-sampling for class-imbalance learning with limited minority class data. Front. Comput. Sci. 13(5), 996–1009.
Little, J. D. C. (2004) Models and Managers: The Concept of a Decision Calculus. Management Science, Hanover, 50(12), 1841-1853.
Mahadevan, Anbazhagan & Arock, Michael. (2021). A class imbalance-aware review rating prediction using hybrid sampling and ensemble learning. Multimedia Tools and Applications. 80. 10.1007/s11042-020-10024-2.
Mohammed, R., Rawashdeh, J., & Abdullah, M. (2020). Machine Learning with Oversampling and Undersampling Techniques: Overview Study and Experimental Results. 2020 11th International Conference on Information and Communication Systems (ICICS), 243-248.
Nguyen, C., Duong, A. (2021). The Impact of Training and Development, Job Satisfaction and Job Performance on Young Employee Retention. International Journal of Future Generation Communication and Network, 13(3), 373-386
Pindyck, R. S., Rubinfeld, D. L. (1998). Econometric Models and Economic Forecasts, McGraw-Hill, forth edition.
Samara, B. S., Morsch, M. A. (2005). Comportamento do consumidor: conceitos e casos. São Paulo: Prentice-Hall.
Suzuki, M. (2011). Modelagem de churn a partir de registros de solicitações de reparo de clientes. (Dissertação de Mestrado). Escola de Administração de Empresas de São Paulo. São Paulo, Brasil.
