Previsão do valor vitalício do cliente com abordagens de aprendizado de máquina

Abstract

A mudança de paradigma para estratégias de negócio centradas no cliente demonstrou que focar na retenção de clientes e em relacionamentos de longo prazo resulta em modelos de negócios mais lucrativos e sustentáveis em comparação com abordagens centradas no produto. Essa mudança, facilitada pelos avanços na tecnologia, permite que as empresas personalizem suas ofertas com base nas preferências e comportamentos individuais dos clientes, levando a um aumento nos lucros e na satisfação dos clientes. O Valor Vitalício do Cliente (do inglês Customer Lifetime Value ou apenas CLV) é uma métrica importante para identificar os relacionamentos com clientes mais lucrativos. O CLV é definido como o valor total que um cliente contribui para uma empresa ao longo de todo o seu relacionamento. Estimar o CLV é desafiador devido aos diversos contextos dos relacionamentos com clientes, como interações contratuais versus não contratuais e discretas versus contínuas. Além disso, a disponibilidade de dados e as preocupações com a privacidade dificultam os modelos de previsão. Modelos probabilísticos tradicionais, como Cadeias de Markov, Pareto/NBD e BG/NBD, têm sido amplamente utilizados, ao contrário dos modelos baseados em aprendizado de máquina, que muitas vezes são limitados pela dependência de dados detalhados dos clientes, que nem sempre estão disponíveis ou não condizem com a ética. O objetivo desta dissertação é apresentar um modelo baseado em aprendizado de máquina para prever o CLV em diversos contextos sem utilizar dados sensíveis dos clientes, alcançando resultados competitivos com os métodos mais avançados. Os objetivos específicos incluem propor um modelo de aprendizado de máquina baseado em RFM e outro modelo que utiliza atributos mais complexos baseados em transações. Esta dissertação está organizada em dois artigos principais. O primeiro artigo, apresentado no Capítulo 2, desenvolve uma solução usando modelos probabilísticos e técnicas de aprendizado de máquina, mostrando que os modelos propostos superam os métodos probabilísticos tradicionais na previsão do número de transações. O segundo artigo, detalhado no Capítulo 3, aprimora o modelo incorporando dados relacionados às transações e testando-o em diferentes contextos, como o setor bancário, demonstrando um desempenho melhorado em todos os aspectos, particularmente na previsão do CLV. Como resultados, os modelos de aprendizado de máquina propostos fornecem uma solução generalizável para a estimativa do CLV que prioriza a privacidade dos clientes e se adapta a diversos contextos de negócios, aprimorando a capacidade das empresas de prever o valor dos clientes e personalizar seus serviços. Palavras-chave: Customer Lifetime Value. CLV. LTV. Aprendizado de Máquina.The paradigm shift towards customer-centric business strategies has demonstrated that focusing on customer retention and long-term relationships results in more profitable and sustainable business models compared to product-centric approaches. This shift, facilitated by advances in technology, allows companies to personalize their offerings based on individual customer preferences and behaviors, leading to increased profits and customer satisfaction. Customer Lifetime Value (CLV) is a crucial metric for identifying the most profitable customer relationships. CLV is defined as the total value a customer contributes to a company over their entire relationship. Estimating CLV is challenging due to the various contexts of customer relationships, such as contractual versus non-contractual and discrete versus continuous interactions. Additionally, data availability and privacy concerns complicate predictive modeling. Traditional probabilistic models, such as Markov Chains, Pareto/NBD, and BG/NBD, have been widely used. However, these models are often limited by their reliance on detailed customer data, which is not always available or ethical to use. The objective of this dissertation is to present a machine learning-based model to predict CLV in various contexts without using sensitive customer data, achieving competitive results with the most advanced methods. The specific objectives include proposing an RFM-based machine learning model and another model that utilizes more complex transaction-based attributes. This dissertation is organized into two main articles. The first article, presented in Chapter 2, develops a solution using probabilistic models and machine learning techniques, showing that the proposed models outperform traditional probabilistic methods in predicting the number of transactions. The second article, detailed in Chapter 3, enhances the model by incorporating transaction-related data and testing it in different contexts, such as the banking sector, demonstrating improved performance in all aspects, particularly in CLV prediction. As results, the proposed machine learning models provide a generalizable solution for CLV estimation that prioritizes customer privacy and adapts to various business contexts, enhancing companies’ ability to predict customer value and personalize their services. Keywords: Customer Lifetime Value. CLV. LTV. Machine Learning.