Dissertação
Causality models for determining the impact of commercial actions EVALUATED
A motivação para esta tese deriva da crescente pressão sobre as empresas, especialmente em setores competitivos como o dos seguros, para gerir eficazmente a retenção de clientes. Os modelos tradicionais de previsão de churn frequentemente não captam os efeitos causais das intervenções de marketing. Esta investigação aborda esta limitação ao explorar uplift modelling como um método não só para prever o churn, mas também para identificar quais os clientes com maior probabilidade de alterar o seu comportamento em resposta a intervenções direcionadas, aumentando assim a eficácia das campanhas de prevenção de churn. Este estudo aplica modelos de inferência causal, incluindo meta-learners, double machine learning (DML) e causal forests, no contexto do uplift modelling, para quantificar o impacto das campanhas de marketing em diferentes segmentos de clientes. Ao categorizar os clientes nas quatro categorias da matriz de uplift - persuadíveis, sleeping dogs, certezas e causas perdidas - esta abordagem permite intervenções direcionadas que melhoram o desempenho da campanha e a retenção de clientes. Utilizando dados reais da Fidelidade, uma seguradora portuguesa, o modelo DML revelou-se particularmente eficaz. Ao direcionar os persuadíveis para o grupo de tratamento, a taxa de churn foi reduzida em 6.76 pontos percentuais comparativamente ao grupo de tratamento geral. Da mesma forma, entre os sleeping dogs no grupo de controlo resultou numa redução de 6.96 pontos percentuais em comparação com o grupo de controlo total. Estes resultados destacam a capacidade do modelo para otimizar significativamente os recursos de marketing e as estratégias de retenção.
novembro 26, 2024, 12:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Arlindo Manuel Limede de Oliveira
Departamento de Engenharia Informática (DEI)
Professor Catedrático
