Análise preditiva de churn em um e-commerce

Abstract

Resumo : Estudo sobre a aplicação de machine learning em análises preditivas de churn em e-commerce. Busca entender o conceito de clientes churn dentro de organizações onde não há assinatura de um serviço e/ou produto, bem como o impacto da tecnologia na evolução do marketing e das novas formas de comércio. Analisa documentos recuperados sobre o tema na base de dados Scopus, fazendo uma revisão sistemática e análise bibliométrica dos documentos levantados. Há uma série de técnicas de mineração de dados aplicadas para a previsão de churn, tais como redes neurais artificiais, árvores de decisão e máquinas vetoriais de suporte. Apresenta a relação entre machine learning e a predição de churn. Conclui-se na primeira etapa a recência do assunto e a falta de estudos aprofundados sobre o tema, além de que os algoritmos mais utilizados envolvem árvore de decisão, Support Vector Machine, Rede Neural Artificial, Random Forest e Regressão Logística. Comenta que a maioria dos estudos existentes relacionados com a previsão do churn de clientes são análises estáticas e não estão bem adequados à realização de monitorizações individuais e dinâmicas, já que a análise de dados estáticas não fornecem monitoramento dinâmico do churn do cliente. No segundo momento do estudo, foram selecionados três métodos e aplicados em uma base de um e-commerce na área de varejo. Os métodos escolhidos foram: Árvore de Decisão (J48), Rede Neural Artificial (Multilayer Perceptron) e Support Vector Machine (SMO). Concluiu que os três modelos apresentaram resultados similares quando analisados a taxa de acertos do modelo, porém o que apresenta melhor tempo de execução do modelo é a Árvore de Decisão J48.