Clusterização e classificação de clientes de uma rede de fast-food no Brasil

Abstract

Resumo: Com o avanço da transformação digital nas empresas, surge o conceito de customer centric, no qual o cliente é colocado no centro das decisões. Nesse contexto, as empresas buscam conhecer seus clientes de forma individualizada para atender às suas necessidades e aprimorar a experiência de compra por meio da personalização. Entender o perfil do consumidor é uma vantagem competitiva, especialmente para empresas em setores em que os canais digitais não são tão representativos, como no caso dos Quick Service Restaurants, também conhecidos como fast-food. Assim, este estudo tem como objetivo a clusterização e classificação de clientes de uma rede de fast-food no Brasil, a fim de permitir a personalização das comunicações de marketing. Para isso, foram utilizados três algoritmos de clusterização (K-Means, Hierárquico de Ward e Modelo de Misturas Gaussianas), com o suporte do método do cotovelo para a definição do número de clusters, e dois algoritmos de classificação (Árvore de Decisão e Floresta Aleatória), tendo em vista o grande volume de dados em análise. O estudo usou seis variáveis, sendo três relacionadas ao modelo de Recência, Frequência e Valor e outras três relacionadas ao consumo dos produtos da empresa. De acordo com os resultados dos diferentes métodos aplicados para avaliação do desempenho dos agrupamentos formados, o KMeans foi o algoritmo de clusterização com melhor desempenho, além de ser o mais rápido, e o modelo de Floresta Aleatória foi selecionado para classificar os demais clientes, com uma acurácia de quase 98%.

Abstract: As companies undergo digital transformation, the concept of customer centricity emerges, placing the customer at the center of business decisions. In order to better understand and cater to individual customer needs, companies are seeking to personalize their marketing communications and improve the overall purchasing experience. In this context, this study aims to cluster and classify customers of a fast-food chain in Brazil. Three clustering algorithms (K-Means, Ward's Hierarchical, and Gaussian mixtures model) were employed along with the elbow method to determine the appropriate number of clusters, as well as two classification algorithms (Decision tree and Random forest), given the large volume of data being analyzed. The study utilized six variables, three of which were based on the Recency, Frequency, and Value model (RFM), and three were related to the customers' consumption of the company's products. According to the results of the different methods applied for evaluating the performance of the formed clusters, K-Means was the best performing and fastest clustering algorithm. Additionally, the Random forest model was chosen for customer classification, achieving an accuracy of almost 98%.