Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 20315
| 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 | Arthur Ataide de Melo Saraiva |
| Orientador | FABRICIO AGUIAR SILVA |
| Outros membros | João Marcos Alves Modesto Ramos |
| Título | Previsão de Customer Lifetime Value: Uma Abordagem de Aprendizado de Máquina |
| Resumo | O LTVHub foi criado com o intuito de analisar o Customer Lifetime Value (CLV), que é o valor presente dos fluxos de caixa futuros que o cliente trará ao usar o produto de uma empresa. Nas últimas décadas, tornou-se muito importante para diversas empresas como startups e empresas de tecnologia mais estabelecidas compreenderem o valor monetário esperado de cada um dos seus clientes. É uma métrica importante para qualquer estratégia de gerenciamento lucrativo de desenvolvimento de produtos bem-sucedidos para saídas a longo prazo. Em uma maneira formal, o CLV pode ser descrito como o valor esperado fornecido por um cliente durante algum tempo. O valor significa lucros observados nas transações e custos que garantem a permanência dele. Dentro deste cenário, seria uma grande evolução ter a aplicação de técnicas de inferência causal ao LTVHub. A intenção é aprimorar a compreensão não somente do conjunto de variáveis de entrada associadas ao CLV, mas, sobretudo, dos fatores efetivamente causais ao valor dos clientes. Isso se relaciona diretamente ao fato de que modelos tradicionais de CLV, por mais acurados que sejam em identificar padrões e correlações, não têm a exatidão necessária para apontar quais seriam os efeitos reais de uma estratégia ou decisão em termos de impacto futuro de CLV, justamente por falharem em capturar devidamente relações de causa e efeito. A abordagem de inferência causal tem como objetivo resolver essa limitação e, assim, tentar buscar a causa da CLV e agregar ainda mais aos dados do LTVHub. A metodologia justifica a aplicação de múltiplas estratégias e técnicas validadas nesta área precisamente porque se está testando a robustez dos dados, e se as relações identificadas realmente possuem caráter causal. Este é o método com o qual se procede, analisando os dados transacionais históricos dos contextos acima, sendo que assim é possível observar de forma mais fácil as características das transações e dos clientes que se associam de forma causal ao CLV. A teoria inferida do observado, então, é que a introdução da inferência causal na pesquisa do LTVHub não só aumenta a precisão das estimativas realizadas, como também fornece um entendimento mais aprofundado quanto a quais ações de marketing, retenção e fidelização ao cliente realmente fazem o valor do CLV aumentar, superando as limitações dos modelos puramente correlacionais. Desse modo, é possível dizer que a utilização de técnicas causais à análise de Lifetime Value seriam de grande ajuda na função dessa prática tanto na rotina do gestor data-driven da atualidade quanto no desenvolvimento de soluções cada vez mais poderosas e adequadas à realidade, destacando a importância de recorrer a análises causal e orientadas ao causa e efeito nas decisões estratégicas. |
| Palavras-chave | Inferência Causal, CLV, Causalidade em Negócios |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Vídeo |
|---|