Modelos para a quantificação e valorização de segmentos de mercados

Abstract

Com o passar do tempo e com o avanço das tecnologias, novas pesquisas na área da segmentação de mercado foram realizadas. O uso de Machine Learning tornou-se, atualmente, uma ferramenta importante para a resolução desses problemas. Esta dissertação tem como objetivo a criação de modelos de quantificação e valorização de segmentos de mercado em Portugal, Espanha e Estados Unidos, re correndo a métodos de Machine Learning para desenvolver modelos analíticos que proporcionem informações cruciais para compreender e prever o comportamento de mercado nesses três países. Estes métodos utilizados baseiam-se em árvores de regressão, uma vez que a variável de interesse é uma variável contínua que diz respeito à faturação da empresa em cada localidade. Foram escolhidos os métodos boosting, bagging e random forest para a previsão de faturação. Todo o trabalho realizado no âmbito da dissertação foi realizado com o software R e representado graficamente com a ajuda do software Power BI, ferramenta útil para a criação de Dashboards. O tratamento dos dados foi também trabalhado com o recurso ao Excel. Os resultados da previsão obtidos dos métodos de Machine Learning permitem à empresa ter um maior conhecimento sobre quais as localidades mais importantes e que variáveis influenciam diretamente a faturação. Estes resultados serão aplicados na empresa e irão sustentar a tomada de decisão.

Over time with the advancement of technologies, new research in the field of mar ket segmentation has been conducted. The use of Machine Learning has currently become an important tool for solving these problems. This dissertation aims to create models for quantifying and valuing market seg ments in Portugal, Spain, and the United States. We use Machine Learning methods to develop analytical models which provide crucial information to understand and predict market behavior in these three countries. The methods used are based on regression trees. The variable of interest is a con tinuous variable related to the company’s revenue in each location. The "boosting," "bagging," and "random forest" methods were chosen for revenue forecasting. All the work carried out in the context of the dissertation was done using the R software and graphically represented with the help of the Power BI software, a useful tool for creating dashboards. Data processing was also done using Excel. The forecasting results obtained from Machine Learning methods enable the company to gain a better understanding of the most important locations and the variables that directly influence revenue. These results will be applied in the com pany and will support decision-making.