As instituições financeiras têm sido desafiadas a desenvolver novos métodos para minerar e interpretar os dados dos clientes para ajudá-los a entender suas necessidades. O avanço da tecnologia reduziu a assimetria de informações entre bancos e seus clientes, impulsionando a competição e tornando o gerenciamento de retenção de clientes cada vez mais importante. Nesse contexto, a previsão de churn (perda de clientes) é fundamental, sendo uma questão estratégica que permite às empresas monitorar o comportamento de engajamento do cliente e agir quando o engajamento diminui.

Portanto, modelos preditivos adaptados para identificar possíveis “churners” são fundamentais para apoiar as decisões gerenciais. O principal desafio é que geralmente os clientes que deixam de sê-lo têm um baixo índice frente aos dados gerais (representam 2% do total de clientes do banco de dados da instituição financeira) sendo um evento raro, mas que gera um alto custo para a empresa e os modelos preditivos não os captam e analisam com seguridade. São dados desbalanceados que precisam de um pré-processamento mais acurado para balancear os clientes retidos e os clientes em churn.

O pesquisador da FGV EAESP, João Luiz Becker, em conjunto com pesquisadores da UFRGS, publicaram um estudo na Financial Innovation propondo um framework completo para previsão de churn que abrange uma sequência de etapas de pré-processamento antes da tarefa de classificação. Além disso, o framework se baseia em algoritmos mais sofisticados, possibilitando um ganho de desempenho devido à sinergia entre essas etapas.

O framework proposto para prever o churn de clientes em um banco compreende duas fases: pré-processamento de dados e treinamento/teste do modelo. Três métodos de pré-processamento foram adotados, utilizando dados de um grande banco brasileiro. Na primeira fase, novas características foram criadas para resumir o comportamento de compra dos clientes, incluindo recência, frequência e valor monetário em categorias como cartões de crédito e investimentos. Na segunda fase, os dados foram balanceados gerando “churners” sintéticos e removendo clientes com informações ruidosas e redundantes. Os resultados confirmam que as novas características melhoraram as previsões de churn, e a análise estatística revelou o impacto das diferentes etapas de pré-processamento e técnicas de classificação no desempenho.

A recência das compras a crédito emerge como a característica mais crucial, representando 46,23% da importância ao prever a saída de clientes. Além das compras a crédito, características relacionadas a depósitos e investimentos também exercem influência significativa na previsão de churn. A renda total do cliente e o número de produtos distintos adquiridos também se destacam como fatores relevantes para prever o churn. Segundo os pesquisadores, gerentes de marketing podem se beneficiar do framework proposto, pois ele permite antecipar clientes propensos a churn até três meses antes, mesmo em dados altamente desequilibrados, fornecendo tempo suficiente para planejar estratégias proativas de retenção de clientes.

Leia o artigo na integra.

O post Pesquisadores apresentam novo framework para melhorar estimação do churn de clientes no setor bancário apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

Em conjunto com técnicas tradicionais, metodologias baseadas em inteligência artificial (IA) podem complementar a análise de dados qualitativos. A chamada mineração de textos – ou text mining – baseia-se na aprendizagem de máquina para extrair informações de materiais textuais. Num cenário de reutilização de dados gerados por outras pesquisas e sob moderação humana, a técnica tem o potencial de apoiar e aprofundar resultados previamente encontrados, revelar novas evidências e reduzir vieses humanos. Um novo modelo metodológico combinando meios tradicionais de pesquisa e big data é proposto como estratégia para enriquecer tais análises.

É o que mostra estudo publicado pelos pesquisadores da FGV EAESP Eduardo Henrique Diniz, João Luiz Becker e Henrique Pontes Gonçalves de Oliveira, em colaboração com Carla Bonato Marcolin, da Universidade Federal de Uberlândia, na revista “Qualitative Research in Organizations and Management”. Para comparar a análise de textos feita por seres humanos e máquinas, os pesquisadores aplicaram técnicas automatizadas de análise de dados em 25 entrevistas previamente analisadas por métodos tradicionais, buscando evidenciar as semelhanças e diferenças de cada tratamento.

O estudo original de onde foram coletados os dados tinha como objetivo entender a internacionalização da pesquisa de pós-graduação do Brasil. As 25 entrevistas realizadas para atingir o objetivo foram analisadas com métodos tradicionais da pesquisa qualitativa e resultaram na elaboração de um modelo de categorias contendo as principais perspectivas e estratégias para a inserção internacional da pesquisa brasileira. Com a análise baseada em IA, feita posteriormente, um novo modelo foi gerado e comparado com os resultados do método tradicional.

Inteligência artificial inspira novo modelo de pesquisa para complementar a análise qualitativa tradicional

Os autores apontam que a nova análise foi capaz de definir os mesmos tópicos revelados pela análise tradicional. Desta forma, confirmou duas das quatro categorias identificadas previamente como relevantes para o tema da internacionalização da pesquisa e distribuindo as demais em novos conjuntos equivalentes a um ou mais tópicos originais. O modelo da IA também revelou uma nova categoria considerada relevante que não havia sido adequadamente contemplada pelos pesquisadores na análise inicial – a importância do idioma inglês – mas não detectou um dos tópicos originais – a evolução do tema ao longo do tempo e suas perspectivas futuras.

A partir da comparação entre os dois modelos, os pesquisadores desenvolveram um novo modelo com contribuições de ambas as análises. O modelo final manteve as categorias iniciais, mas com um aprofundamento no conjunto de palavras associado a cada uma, a adição de uma nova categoria e uma organização hierárquica diferente, considerando as mudanças destacadas pela IA. Nesse cenário, a análise baseada em IA destacou-se como uma ferramenta complementar para a pesquisa qualitativa. Em pesquisas futuras, os autores sugerem testar a nova metodologia em diferentes conjuntos de entrevistas e aprimorar a tecnologia de forma a reduzir possíveis erros.

Confira o artigo na íntegra

O post Combinação de inteligência artificial e metodologias tradicionais traz melhorias à análise de dados qualitativos apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.