Navegando por Autor "Bezerra, Gustavo Henrique Farias"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
Dissertação Previsão e interpretação de churn: integrando análise causal e aprendizado de máquina para estratégias de retenção efetivas(Universidade Federal do Rio Grande do Norte, 2024-05-28) Bezerra, Gustavo Henrique Farias; Almeida, Mariana Rodrigues de; http://lattes.cnpq.br/7356242205950550; http://lattes.cnpq.br/4795758352910476; Marques, Adriana Cavalcante; Costa, José Alfredo Ferreira; Assunção, Marcus Vinicius Dantas deA globalização e o amplo uso da internet transformaram a relação entre consumidores e empresas, estabelecendo uma interação direta e ativa entre eles. Neste cenário, compreender o ciclo de vida do cliente é vital para manter a estabilidade operacional e financeira das organizações, com um foco aguçado em fatores que promovem a satisfação e a fidelidade do cliente. Diante da questão da churn – que reflete a perda de clientes – várias indústrias enfrentam desafios que impactam diretamente sua lucratividade e sustentabilidade. Assim, esta pesquisa tem como objetivo desenvolver uma ferramenta que aprimore a modelagem preditiva de churn, enriquecendo-a com análise causal para não apenas prever com mais precisão, mas oferecer interpretações claras das razões para a perda de clientes. Utilizando o conjunto de dados IBM Telco Customer churn, versão 11.1.3, como suporte empírico, o estudo busca identificar variáveis influentes no churn e avaliar estratégias eficazes de retenção. A abordagem metodológica inclui o uso de técnicas de aprendizado de máquina, como LGBM, combinadas com métodos avançados de análise causal, como Double Robust machine learning e modelagem de Efeitos de Tratamento Médio Condicional, CATE. Desenvolvendo ferramenta que auxilie na identificação dos fatores retenção de clientes, desde aspectos demográficos a natureza dos serviços prestados, analisando variáveis como tipo de contrato, gênero, idade, entre outros. Espera-se que os resultados validem as teorias de Wu et al. (2021) sobre previsão de churn e revelem perfis de clientes com maior propensão ao abandono, como exposto pelos autores de Rudd et al. (2021), contribuindo significativamente para o gerenciamento do relacionamento com o cliente e oferecendo dados estratégicos para o desenvolvimento de táticas de retenção mais assertivas.