Modelo de propensão: como identificar os clientes com maior chance de compra? (2023)
- Authors:
- USP affiliated author: PIRES, LEONARDO CARESIA - ICMC
- School: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; INTELIGÊNCIA ARTIFICIAL; CLASSIFICAÇÃO
- Keywords: Modelo de propensão; E-commerce; Compras online
- Language: Português
- Abstract: Conhecer o cliente alvo é fundamental para que uma campanha de marketing de certo. Agora, saber exatamente quais clientes tem maior chance de comprar um determinado produto, com uma probabilidade alta de assertividade, é um diferencial competitivo. Para chegar nesse resultado de alta assertividade, foi implementado nesse estudo um modelo de propensão, onde o resultado é uma lista de clientes mais propensos a compra. O processo para chegar nessa lista passou pela extração das bases de treinamento e teste (em arquivos csv), provenientes do site Kaggle. A base de teste foi utilizada apenas para a predição final. Já a base de treinamento foi subdividida em treinamento e validação, passando por 4 experimentos: Experimento 1 – divisão da base de dados (test split) de 80% treinamento e 20% validação com todos os atributos da base. Experimento 2 – test split de 80% treinamento e 20% validação com apenas os 10 atributos mais relevantes, de acordo com o modelo KNN. Experimento 3 - test split de 75% treinamento e 25% validação, com todos os atributos. Experimento 4 - test split de 75% treinamento e 25% validação, com apenas os 10 melhores atributos. Cada experimento utilizou 3 modelos de classificação, cada um representando uma determinada categoria. Representando a categoria dos ensembles, foi utilizado o modelo de Random Forest. Já para os algoritmos explicativos, a Regressão Logística foi utilizada. Por último, para representar os modelos de probabilidade, o Naïve Bayes foi selecionado. Esses 3 modelos foram utilizados em cada um dos 4 experimentos mencionados. Com o intuito de medir a eficácia de predição de cada modelo, foram utilizados indicadores como F-Score, acurácia, AUC Score e matriz de confusão. Esses indicadores ajudaram a definir qual modelo e experimento obteve melhor performance de predição. Com as melhores notas entre os indicadores, principalmente o F-Score, o experimento 2 com test split 80% treinamento e 20%validação e com seleção de variáveis, foi escolhido como modelo ideal para essa base de dados. Além disso, o algoritmo de Regressão Logística comprovou ser o melhor entre os 3 algoritmos analisados, com maiores notas de acurácia, AUC Score. Após a seleção do melhor algoritmo e experimento, a base de teste, que até então estava intacta, foi utilizada para a inserção das predições realizadas através da Regressão Logística. Em suma, o resultado foi uma lista de usuários, cada um com uma predição variando de 0 a 100%, sendo 100% a maior probabilidade de compra. Por ser um classificador binário, as predições realizadas pela Regressão Logística ficaram próximas dos extremos, entre 0-10% e 70-100%, com esse segundo grupo apresentando um total de 1.182 usuários com alta chance de compra.
- Imprenta:
- Place of publication: São Carlos
- Date published: 2023
-
ABNT
PIRES, Leonardo Caresia. Modelo de propensão: como identificar os clientes com maior chance de compra?. 2023. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2023. Disponível em: https://bdta.abcd.usp.br/directbitstream/62e6fac7-f977-4662-a82e-cdbb02bc39ef/Leonardo%20Caresia%20Pires.pdf. Acesso em: 01 maio 2024. -
APA
Pires, L. C. (2023). Modelo de propensão: como identificar os clientes com maior chance de compra? (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/62e6fac7-f977-4662-a82e-cdbb02bc39ef/Leonardo%20Caresia%20Pires.pdf -
NLM
Pires LC. Modelo de propensão: como identificar os clientes com maior chance de compra? [Internet]. 2023 ;[citado 2024 maio 01 ] Available from: https://bdta.abcd.usp.br/directbitstream/62e6fac7-f977-4662-a82e-cdbb02bc39ef/Leonardo%20Caresia%20Pires.pdf -
Vancouver
Pires LC. Modelo de propensão: como identificar os clientes com maior chance de compra? [Internet]. 2023 ;[citado 2024 maio 01 ] Available from: https://bdta.abcd.usp.br/directbitstream/62e6fac7-f977-4662-a82e-cdbb02bc39ef/Leonardo%20Caresia%20Pires.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Leonardo Caresia Pires.pd... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
