Publicação

Segmentação de clientes B2B e previsão estratégica de oportunidades futuras com Inteligência Artificial

Detalhes bibliográficos
Resumo:	Muitas empresas não conseguem maximizar o uso da informação que as fortaleceriam no mercado, como o uso do CRM para obter perceções sobre a procura e as necessidades dos clientes. A mineração de dados é o processo de extração de conhecimento a partir dos dados. O conhecimento da segmentação do comportamento dos clientes é útil para as empresas na definição do mercado alvo e no desenvolvimento de uma estratégia de marketing. Uma vez que o modelo RFM não leva em consideração a fidelização dos clientes, o modelo LRFM foi aplicado para fazer as alterações e para comparar com o novo modelo LRFMVP que tem em atenção a Variedade dos produtos e serviços e a Periodicidade das transações. No primeiro passo, os dados são extraídos para o modelo LRFM e agrupados em 4 clusters usando o algoritmo K-Means. No segundo passo, o potencial do cliente é considerado e os dados firmográficos são extraídos para o modelo LRFMVP, sendo de seguida agrupados usando o algoritmo K-Means. A seleção do número de agrupamentos é realizada aplicando o método do cotovelo e resulta em 3 clusters, sendo um deles composto por 219 clientes muito valiosos, com todas as dimensões do modelo LRFMVP acima da média. Adicionalmente, são procuradas as relações de interesse no grande conjunto de dados disponível, usando o algoritmo APRIORI. Observamos que o novo modelo LRFMVP é mais descritivo do que o modelo LRFM, obtém um conjunto de regras de associação superior ao modelo LRFM e melhora a percentagem média de confiança, de 93.67% para 94.38% mantendo a percentagem do lift em 148.67% para ambos os modelos. Os clientes Platinium, são clientes fidelizados (L=Muito Antigo), com transações muito frequentes (F=Muito Frequente) e valor Monetário mais alto (M=Mais alto), já a Periodicidade das transações é razoável (P=Razoável), face aos restantes. Terminado o processo de segmentação dos clientes e análise descritiva, o modelo foi treinado para ter capacidade de predição na prospeção de novos clientes, obtendo 91,5% de accuracy. Por fim, foram desenvolvidos os modelos de recomendação para ações de cross selling e para a melhor perceção do “cesto de compras”. O modelo proposto define um conjunto de métricas direcionadas para a segmentação do cliente, o que melhora o conhecimento dos clientes. Os resultados permitirão definir estratégias de marketing mais assertivas para a fidelização dos clientes e para gerar oportunidades de negócio futuras.
Autores principais:	Silva, José Carlos Vaz da
Assunto:	Agrupamentos Gestão do relacionamento com o cliente Marketing baseado na conta Recomendação Segmentação de clientes Valor da vida útil do cliente Clustering Customer relationship management Account based marketing Recommendation Customer segmentation Customer lifetime value
Ano:	2022
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade do Minho
Idioma:	português
Origem:	RepositóriUM - Universidade do Minho

Descrição
Resumo:	Muitas empresas não conseguem maximizar o uso da informação que as fortaleceriam no mercado, como o uso do CRM para obter perceções sobre a procura e as necessidades dos clientes. A mineração de dados é o processo de extração de conhecimento a partir dos dados. O conhecimento da segmentação do comportamento dos clientes é útil para as empresas na definição do mercado alvo e no desenvolvimento de uma estratégia de marketing. Uma vez que o modelo RFM não leva em consideração a fidelização dos clientes, o modelo LRFM foi aplicado para fazer as alterações e para comparar com o novo modelo LRFMVP que tem em atenção a Variedade dos produtos e serviços e a Periodicidade das transações. No primeiro passo, os dados são extraídos para o modelo LRFM e agrupados em 4 clusters usando o algoritmo K-Means. No segundo passo, o potencial do cliente é considerado e os dados firmográficos são extraídos para o modelo LRFMVP, sendo de seguida agrupados usando o algoritmo K-Means. A seleção do número de agrupamentos é realizada aplicando o método do cotovelo e resulta em 3 clusters, sendo um deles composto por 219 clientes muito valiosos, com todas as dimensões do modelo LRFMVP acima da média. Adicionalmente, são procuradas as relações de interesse no grande conjunto de dados disponível, usando o algoritmo APRIORI. Observamos que o novo modelo LRFMVP é mais descritivo do que o modelo LRFM, obtém um conjunto de regras de associação superior ao modelo LRFM e melhora a percentagem média de confiança, de 93.67% para 94.38% mantendo a percentagem do lift em 148.67% para ambos os modelos. Os clientes Platinium, são clientes fidelizados (L=Muito Antigo), com transações muito frequentes (F=Muito Frequente) e valor Monetário mais alto (M=Mais alto), já a Periodicidade das transações é razoável (P=Razoável), face aos restantes. Terminado o processo de segmentação dos clientes e análise descritiva, o modelo foi treinado para ter capacidade de predição na prospeção de novos clientes, obtendo 91,5% de accuracy. Por fim, foram desenvolvidos os modelos de recomendação para ações de cross selling e para a melhor perceção do “cesto de compras”. O modelo proposto define um conjunto de métricas direcionadas para a segmentação do cliente, o que melhora o conhecimento dos clientes. Os resultados permitirão definir estratégias de marketing mais assertivas para a fidelização dos clientes e para gerar oportunidades de negócio futuras.