Publicação: Classificação do perfil dos clientes através de técnicas de mineração de dados
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Atualmente volumes de dados cada vez maiores são gerados, porém nem sempre os mesmos
são utilizados de forma “inteligente” para extração de informações. Nesse cenário, as ferramentas
de mineração de dados são utilizadas para auxiliar a extrair informações que nem sempre são
tão óbvias ou explícitas, o que faz com que ela seja uma das tecnologias mais promissoras
da atualidade. O presente trabalho foi desenvolvido com a finalidade de criar um modelo de
classificação, através de técnicas de mineração de dados, para a classificação do perfil dos clientes
(Cliente Venda ou Cliente Não Venda) de uma empresa real. A estrutura deste Estudo de Caso
utilizou a metodologia CRISP-DM, que é a mais usual em problemas que envolvam Mineração
de Dados. Essa metodologia é segmentada em 06 etapas, que são: Entendimento do Negócio,
Entendimento dos Dados, Preparação dos Dados, Modelagem, Avaliação e Utilização. Dois
algoritmos de Classificação foram testados para desenvolvimento do modelo: Árvore de Decisão
e Regressão Logística. Para aplicação nos algoritmos, a base de dados foi dividida em duas
bases: Base de Treino (composta por 70% dos dados) e Base de Teste (Composta por 30% dos
dados). Por se tratar de uma base com dados desbalanceados, devido a expressiva superioridade
de clientes na classe Não Vendas, duas metodologias foram avaliadas para balanceamento dos
dados: aplicação do SMOTE (Synthetic Minority Oversampling Technique) para técnica de
sobreamostragem e ajuste dos pesos das classes minoritária e majoritária dentro das funções
de custo dos algoritmos. Os modelos de Regressão Logística tanto para a aplicação do SMOTE
quanto para ajuste dos pesos das classes apresentaram resultados semelhantes, e foram os que
apresentaram melhores resultados. Com isso, o estudo permitiu concluir que o modelo de
classificação encontrado, através da técnica de Regressão Logística, é de extrema relevância
para a empresa, resultando em uma redução dos custos com a contactação dos clientes e um
aumento expressivo do volume de retorno desses contatos (Vendas).
Abstract
Currently, ever-increasing volumes of data are generated, but they are not always used in
an “intelligent” way to extract information. In this scenario, data mining tools are used to help
extract information that is not always so obvious or explicit, which makes it one of the most
promising technologies today. The present work was developed with the purpose of creating
a classification model, through data mining techniques, for the classification of the profile of
the customers (Customer for Sale or Customer Not for Sale) of a real company. The structure
of this Case Study used the CRISP-DM methodology, which is the most common in problems
involving Data Mining. This methodology is segmented into 06 stages, which are: Business
Understanding, Data Understanding, Data Preparation, Modeling, Evaluation and Use. Two
Classification algorithms were tested for model development: Decision Tree and Logistic Regression. For application in the algorithms, the database was divided into two bases: Training
Base (composed of 70% of the data) and Test Base (Comprised of 30% of the data). As this is a
database with unbalanced data, due to the significant superiority of customers in the Non-Sales
class, two methodologies were evaluated for data balancing: application of SMOTE (Synthetic
Minority Oversampling Technique) for oversampling technique and adjustment of weights of
the minority and majority classes within the cost functions of the algorithms. The Logistic
Regression models both for the application of SMOTE and for adjusting the weights of the
classes presented similar results, and were the ones that presented the best results. With this,
the study concluded that the classification model found, through the Logistic Regression technique, is extremely relevant for the company, resulting in a reduction in the costs of contacting
customers and a significant increase in the volume of return of these contacts (Sales).
Palavras-chave
Aprendizado de Máquina, Regressão Logística, Árvore de Decisão, Perfil de Clientes, Machine Learning, Logistic Regression, Decision Tree, Customer Profile
Citação
SANTOS, Matheus Henrique. Classificação do perfil dos clientes através de técnicas de mineração de dados. 2023. 59 f. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de Uberlândia, Uberlândia, 2023.