Segmentação de clientes B2B e previsão estratégica de oportunidades futuras com Inteligência Artificial

Abstract

Muitas empresas não conseguem maximizar o uso da informação que as fortaleceriam no mercado, como o uso do CRM para obter perceções sobre a procura e as necessidades dos clientes. A mineração de dados é o processo de extração de conhecimento a partir dos dados. O conhecimento da segmentação do comportamento dos clientes é útil para as empresas na definição do mercado alvo e no desenvolvimento de uma estratégia de marketing. Uma vez que o modelo RFM não leva em consideração a fidelização dos clientes, o modelo LRFM foi aplicado para fazer as alterações e para comparar com o novo modelo LRFMVP que tem em atenção a Variedade dos produtos e serviços e a Periodicidade das transações. No primeiro passo, os dados são extraídos para o modelo LRFM e agrupados em 4 clusters usando o algoritmo K-Means. No segundo passo, o potencial do cliente é considerado e os dados firmográficos são extraídos para o modelo LRFMVP, sendo de seguida agrupados usando o algoritmo K-Means. A seleção do número de agrupamentos é realizada aplicando o método do cotovelo e resulta em 3 clusters, sendo um deles composto por 219 clientes muito valiosos, com todas as dimensões do modelo LRFMVP acima da média. Adicionalmente, são procuradas as relações de interesse no grande conjunto de dados disponível, usando o algoritmo APRIORI. Observamos que o novo modelo LRFMVP é mais descritivo do que o modelo LRFM, obtém um conjunto de regras de associação superior ao modelo LRFM e melhora a percentagem média de confiança, de 93.67% para 94.38% mantendo a percentagem do lift em 148.67% para ambos os modelos. Os clientes Platinium, são clientes fidelizados (L=Muito Antigo), com transações muito frequentes (F=Muito Frequente) e valor Monetário mais alto (M=Mais alto), já a Periodicidade das transações é razoável (P=Razoável), face aos restantes. Terminado o processo de segmentação dos clientes e análise descritiva, o modelo foi treinado para ter capacidade de predição na prospeção de novos clientes, obtendo 91,5% de accuracy. Por fim, foram desenvolvidos os modelos de recomendação para ações de cross selling e para a melhor perceção do “cesto de compras”. O modelo proposto define um conjunto de métricas direcionadas para a segmentação do cliente, o que melhora o conhecimento dos clientes. Os resultados permitirão definir estratégias de marketing mais assertivas para a fidelização dos clientes e para gerar oportunidades de negócio futuras.

Many companies are unable to maximize the use of information that would strengthen their market, such as using CRM to gain insights into customer demand and needs. Data mining is the process of extracting knowledge from data. Knowledge from customer behaviour segmentation is useful for companies in setting the target market and developing a marketing strategy. Since the RFM model does not take the customers' loyalty into consideration, the LRFM model has instead been applied for making amendments and to compare with the new LRFMVP model, which considers the Variety of products and services and Periodicity of transactions. The first step, the data is extracted to LRFM model and then it is clustered using K-Means algorithm. In the second step, the customer's potential is considered, and the firmographics data is extracted to LRFMVP model and then it is clustered using K-Means algorithm. The selection of the number of clusters is performed by applying the elbow method and results in 3 clusters. The cluster_0 consists of 219 very valuable clients, with all dimensions of the LRFMVP model above average. Additionally, the relationships of interest in the large available data set are searched using the APRIORI algorithm. We observed that the new model, LRFMVP is more descriptive than the LRFM model, obtains a set of rules for association with the LRFM model and improves the average confidence percentage, from 93.67% to 94.38% for the same percentage of lift, which is 148.67% in both models. Platinium customers are loyalty (L=Very Old), with very frequent transactions (F=Very Frequent) and higher Monetary Value (M=Higher), while the Periodicity of transactions is reasonable (P=Reasonable), compared to the others. After the process of segmentation of customers and descriptive analysis, the model was trained to predict in the prospection of new customers, obtaining 91.5% of accuracy. Finally, recommendation models were developed for cross selling actions and the best perception of the "market basket". The proposed model defines a set of metrics aimed at customer segmentation, which improves the customers knowledge. The outcomes will allow to define more assertive marketing strategies for customer loyalty and to generate future business opportunities.