Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 20283
| Instituição | Universidade Federal de Viçosa |
|---|---|
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Engenharia/Tecnologia |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Gabriel Luiz Magalhães Amorim |
| Orientador | FABRICIO AGUIAR SILVA |
| Outros membros | João Marcos Alves Modesto Ramos |
| Título | Previsão de Customer Lifetime Value: Uma Abordagem de Aprendizado de Máquina |
| Resumo | No que se refere ao mundo empresarial, o Customer LifeTime Value, ou simplesmente LTV, se mostra como uma ótima ferramenta para avaliar a relação da empresa com seus clientes. Com uma boa previsão desse valor, é possível utilizá-lo como fundação para a tomada de decisão estratégica dentro da empresa, visto que o custo para se manter um cliente é consideravelmente menor que o custo de se conquistar novos clientes. Ademais, vale ressaltar que o cálculo do LTV não é trivial, o que se mostra evidente com o conhecimento dos diversos modelos de relacionamentos empresa/cliente existentes, modelos que podem ser contratuais ou não, por exemplo. Dessa forma, naturalmente surgem diversas maneiras de se obter esse valor. Por essa grande quantidade de métodos, foi utilizado um método como referência para o estudo. Dito isso, apesar de ser uma boa ferramenta de análise, esse valor por si só não é capaz de dizer quanto será o potencial valor de um determinado cliente em uma concepção futura. A partir disso, se vê necessário estudar e desenvolver uma solução visando adaptar o cálculo do LTV, para que seja capaz de se estimar esse valor, com o mínimo de erro possível. Para se estudar uma solução de uma perspectiva computacional, foram realizadas comparações entre métodos probabilísticos e modelos de aprendizado de máquina e redes neurais. Além disso, como apoio para comparações entre os modelos, foram utilizadas 5 bases de dados contendo informações de aproximadamente 200 mil indivíduos. Essas bases de dados detém diversos parâmetros associados a transações realizadas por esses clientes nas empresas pesquisadas. Essas informações foram utilizadas para treinar os modelos, a fim de medir a precisão na predição do LTV de cada um dos clientes presentes na base de dados. Dessa forma, os modelos citados foram utilizados para predizer cada um dos parâmetros necessários para esse cálculo de forma individual. As informações, então, são separadas em dois grupos para serem processados pelos modelos e, por fim, comparadas. A partir disso, pode-se obter uma predição mais precisa desse cálculo, se compararmos com abordagens existentes, que tentavam predizer o valor final do LTV. |
| Palavras-chave | LTV, Machine Learning, Data Science |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Painel |
|---|