Otimização analítica de operações de retenção de clientes num operador integrado de telecomunicações e entretenimento

Abstract

As empresas de telecomunicações encontram-se, todos os dias, na procura ativa de estratégias que visam a retenção e a construção de uma relação de confiança com os seus clientes. Neste trabalho foram analisados os resultados das campanhas operacionais de combate ao churn para um dos modelos desenvolvidos pela empresa, avaliando o impacto no churn e o impacto económico. Estes modelos de previsão de churn tinham como objetivo identificar antecipadamente quais os clientes com maior risco de cancelar os seus servi cos, de forma a agir proativamente na sua retenção através de campanhas operacionais. Esta analise permitiu concluir que estas campanhas estão a ser eficazes na retenção de clientes, gerando também lucro para a empresa. Uma das formas de construir uma relação de confiança com o cliente e através da venda de equipamentos, em particular, a venda de telemóveis. Para esse efeito, foi desenvolvido um modelo de previsão de troca de equipamentos em que o objetivo era identificar antecipadamente que clientes estão mais propensos a trocar de telemóvel. Na construção deste modelo, recorreu-se a algoritmos de machine learning utilizando arvores de decisão com o método de gradient boosting. Quando o modelo foi aplicado a amostras distintas daquelas que foram utilizadas no processo de treino, verificou-se que este mantinha a sua capacidade preditiva. De forma a ajudar as equipas de negocio, foi ainda criado um sistema de recomendação marca/modelo que permite identificar qual o telemóvel que se deve recomendar a cada um dos clientes.

Telecommunication companies nd themselves every day looking for new ways to retain and build trust relationships with their customers. In this work, the results of the churn operational campaigns for one of the models were analysed, evaluating churn and economic impact. These churn forecast models had aimed at identifying in advance which clients had higher risk to cancel their services in order to act proactively in their operational campaigns. This analysis has led to the conclusion that these are being e ective in customer retention, also generating pro t for the company. One of the ways to build a trust relationship with customers and sell equipaments is by making these acquire new mobiles phones. To achieve this goal, were developed an equipment exchange forecast model where the objective was to identify in advance which customers are most likely to switch mobile phones. In the construction of this model, were used machine learning algorithms. Trees decision with the method of gradient boosting. When the model was applied, samples were used in the training, which maintained its predictive capacity. In order to assist others bussiness teams, a system of recommendation brand/model were created to identify which mobile phone should be recommend to each of the customers.