Aprendizado não-supervisionado para ativação e reativação de consumidores

Como aprendizado não-supervisionado auxilia negócios à tomada de decisão.

Segundo os indicadores estimados pela International Data Comporation (IDC), as novas aplicabilidades dentro da tecnologia da informação e comunicação (TIC) farão parte da evolução de desenvolvimento de novos negócios no mercado de trabalho. Isto posto, diante da publicação da IDC, a Inteligência Artificial (IA) apresenta demora no processo evolutivo comercial, no qual refere-se a minimização do uso de tecnologias pertencentes à Machine Learning (ML) por parte das organizações brasileiras.

Todo o conteúdo deste artigo tem como objetivo apresentar e fundamentar alguns conceitos relacionados ao uso de modelos de aprendizado para aprimorar o relacionamento com o cliente.

Além disso, o texto tem como finalidade esclarecer como as técnicas de aprendizado de máquina podem ser aplicadas para extrair informações valiosas a partir dos dados dos clientes, permitindo identificar padrões e comportamentos que podem ser utilizados para melhorar a experiência do cliente e impulsionar os resultados do negócio.

O uso de modelos de IA em áreas de prestação de serviços tornam-se importante chave na tomada de decisões através dos conjuntos de dados provenientes de compras no mercado físico ou online. Como informado na pesquisa [Wu et al. 2020], dados de comportamento ou histórico de vendas apresenta expressivo resultado em relação à usabilidade do modelo de aprendizado não-supervisionado, segundo o histórico conclusivo do artigo referenciado, expressivos resultados foram apontados no aumento de volume de venda, quantidade de consumo dos serviços oferecidos e adesão de novos clientes.

Gerenciamento e relacionamento com o cliente

Inicialmente, o gerenciamento e relacionamento com o cliente (CRM) tem como finalidade unir processos de negócios e tecnologia a fim de compreender os padrões descritos no comportamento de compra vinculado ao consumidor [Dachyar and Hananto 2014], a fim de regular a interação com o cliente por parte da empresa.

Nesse sentido, na busca por melhores métricas de CRM, fez-se necessário segmentar o CRM em três aspectos distintos [Buttle and Maklan 2015]. Respectivamente, a abordagem estratégica visa fomentar a cultura centrada ao cliente, que garantirá retenção e obtenção de novos consumidores. O gerenciamento operacional tem como objetivo integrar automações que agregam valor ao cliente, enquanto a parte de gerenciamento analítica extrai e trabalha com dados proveniente do consumidor a fim de gerar valor à empresa.

Segmentação de consumidores e suas aplicações

Uma das dificuldades que encontrei na análise de transações financeiras é a incapacidade de agrupar os clientes em segmentos específicos devido à enorme quantidade de dados vinculados a essas transações.

A clusterização, portanto, tornou-se uma alternativa para extrair estas informações. O uso de modelos de clusterização visa garantir abertura de novas métricas de negócios através da extração de padrões de características provenientes dos dados ofertados, com o objetivo de estabelecer melhores entendimentos dos consumidores [Maryani et al. 2018].

Estes padrões estudados pelo modelo visam fornecer conhecimento de como algo heterogêneo gera informações relevantes a partir de associações e análise de dados [Qian 2021], por exemplo, entender qual poder de compra do cliente em relação a sua frequência e recência de consumo (RFM).

Durante meus estudos e implementação do modelo de clusterização em uma base de transações financeiras, identifiquei que uma das etapas mais importantes foi buscar alternativas já aplicadas em outras áreas.

Com o objetivo de reunir informações relevantes encontradas na academia, apresentamos a seguir alguns exemplos de como o modelo de clusterização foi aplicado em diferentes segmentos em todo o mundo.

Estudos e aplicações

O estudo [Parikh and Abdelfattah 2020] investiga a capacidade de modelos de agrupamento em gerar estratégias significativas para o comportamento do consumidor em uma empresa varejista sediada no Reino Unido, por meio da segmentação de transações online.

Com base nas transações fornecidas, os pesquisadores utilizaram a análise RFM como requisito de análise e encontraram três grupos de consumidores por meio de quatro algoritmos de aprendizado não supervisionado desenvolvidos. De maneira respectiva, a nomenclatura de grupos foi utilizada em prol de definir cada perfil de cliente agrupado, como promissores, leais e novos clientes.

Um bom exemplo de aplicabilidade de um modelo de clusterização é o trabalho [Abidar et al. 2020], no qual utiliza o modelo de clusterização para identificar os principais detalhes que compõem cada grupo de consumidores. O modelo de aprendizado não-supervisionado identifica e estratifica três segmentos de acordo com a análise RFM.

O primeiro grupo é formado por clientes de alto valor agregado, que geram maiores receitas, realizam mais compras, mas apresentam alto custo de fidelidade. Por outro lado, o segundo grupo tem baixa frequência, gera menos receita e precisa de intervenções para retenção de clientes, que são candidatos a evoluir para o primeiro grupo no futuro. Já o terceiro grupo apresenta um comportamento casual de compra e é responsável por distribuir recência, frequência e valor, podendo se tornar possíveis clientes fiéis.

Conclusões

Neste post, apresentamos algumas informações sobre o uso de transações financeiras em aprendizado não supervisionado, também conhecido como clusterização. Uma das fundamentações destacadas é que a análise RFM ajuda a identificar padrões de características dos consumidores de forma mais eficiente, permitindo encontrar clientes fiéis e novos.

É importante salientar que modelos de aprendizado não supervisionado oferecem diversas oportunidades para a segmentação de consumidores, incluindo modelos como DBSCAN e K-Means. Na maioria das pesquisas citadas, o modelo K-Means foi utilizado como base, seja comparando-o ou não com outros modelos. É essencial ter acesso a essas ferramentas para definir estratégias futuras na ativação e reativação de clientes.

Referências

• ABIDAR, L.; ZAIDOUNI, D.; ENNOUAARY, A. Customer segmentation with machine learning: new strategy for targeted actions. In: INTERNATIONAL CONFERENCE ON SIGNAL, IMAGE, VIDEO AND COMMUNICATIONS (SIVC), 2020, New York. Proceedings… New York: ACM, 2020. SITA’20.
• BUTTLE, Francis; MAKLAN, Stan. Customer relationship management: concepts and technologies. 3. ed. New York: Routledge, 2015.
• DACHYAR, M.; HANANTO, L. Innovation and quality service factors to customer loyalty in Indonesia telecommunication company by using structural equation modelling method. In: INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER SCIENCE AND INFORMATION SYSTEMS (ICACSIS), 2., 2014, Jakarta. Proceedings… Jakarta: IEEE, 2014. p. 41–44.
• IDC, I. D. C. Previsão da IDC Brasil para 2021 apontam que mercado de TIC crescerá 7%. Disponível em: https://www.idc.com/getdoc.jsp?containerId=prLA47452221. Acesso em: 16 abr. 2023.
• MARYANI, I. et al. Customer segmentation based on RFM model and clustering techniques with K-means algorithm. In: INTERNATIONAL CONFERENCE ON INFORMATICS AND COMPUTING (ICIC), 3., 2018, Palembang. Proceedings… Palembang: IEEE, 2018. p. 1–6.
• PARIKH, Yash; ABDELATTAF, Eman. Clustering algorithms and RFM analysis performed on retail transactions. In: INTERNATIONAL CONFERENCE ON INNOVATION IN ENGINEERING AND TECHNOLOGY (ICIET), 2020, Jaipur. Proceedings… Jaipur: IEEE, 2020. p. 0506–0511.
• QIAN, Z. Development of digital marketing technology based on physical data extraction and mining. In: INTERNATIONAL CONFERENCE ON ELECTRONICS, COMMUNICATION AND AEROSPACE TECHNOLOGY (ICECA), 5., 2021, Chengdu. Proceedings… Chengdu: IEEE, 2021. p. 1239–1242.