CHURN RATE

como reduzir em empresas de telecomunicações utilizando aprendizado de máquina

Autores

DOI:

https://doi.org/10.31510/infa.v18i2.1183

Palavras-chave:

taxa de rotatividade, clientes, dados

Resumo

Churn rate corresponde a taxa de cancelamento quanto ao uso de produtos/serviços oferecidos por empresas. Empresas de telecomunicações, por exemplo, costumam apresentar valores elevados de churn rate devido à alta concorrência no setor. Sendo assim, fundamental que, as empresas tenham condições de prever quando e porque um cliente deixará de usar seus serviços, para que se possa realizar ações capazes de evitar ou ao menos minimizar o churn. O presente trabalho tem como premissa criar e comparar modelos de previsibilidade de churn rate a partir de dados de uma empresa de telecomunicações afim de munir a mesma com informações para a tomada de decisões mais assertivas em ações que minimizem os cancelamentos por parte dos clientes. Foram utilizados dados de uma operadora de telecomunicações com uma grande carteira de clientes. A base de dados foi tratada para implementação e realização de experimentos com algoritmos de aprendizado de máquina e técnicas de mineração de dados. Por fim, sete hipóteses foram testadas as quais demonstraram que: (H1) a maior taxa de rotatividade está em clientes do sexo feminino; (H2) clientes antigos tendem a fazer maior rotatividade; (H3) as mensalidades para quem possui streaming de vídeo são maiores; (H4) os custos tendem a abaixar conforme o passar do tempo de assinatura; (H5) clientes que não possuem dependentes tendem a churnar mais do que clientes que possuem dependentes; (H6) clientes que não possuem suporte técnico são mais propícios a churn; e (H7) clientes que possuem o serviço de backup online tendem a churnar menos.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Referências

Batista, G. (2003). Pré-processamento de dados em aprendizado de máquina supervisionado. In: Tese (Doutorado) – Curso de Instituto de Ciências Matemáticas e de Computação, São Carlos.

Braga, A. P. et al. Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: LTC, 2000. 250p.

Fonseca, J. (2002). Metodologia da pesquisa científica. Fortaleza: UECE.

Gil, A. (2016). Como elaborar projetos de pesquisa. 4. ed. – São Paulo: Atlas.

Gomes, P. (2019). Conheça as etapas do pré-processamento de dados. Datageeks: https://www.datageeks.com.br/pre-processamento-de-dados/, abril.

Han, J., Kamber, M. (2006). Data Mining: Concepts and Techniques. 2. ed. – São Francisco: Elsevier.

Honda, H., Facure, M., Yaoha, P. (2017). Os três tipos de aprendizagem de máquina. https://lamfo-unb.github.io/2017/07/27/tres-tipos-am/, abril.

Monard, M., Baranauskas, J. (2003). Sistemas Inteligentes Fundamentos e Aplicação. 1. ed. – Barueri: Manole Ltda.

Murteira, B. (1993). Análise Exploratória de Dados: estatística descritiva. McGraw Hill.

Porto, F., Ziviani, (2014) “Seminário de Grandes Desafios da Computação no Brasil” – Rio de Janeiro.

Radosavljevik, D., Putten, P. Van Der, & Larsen, K. (2010). The Impact of Experimental Setup in Prepaid Churn Prediction for Mobile Telecommunications: What to Predict, for Whom and Does the Customer Experience. Trans. MLDM, 3(2), 80–99.

Reis, E. (1997). Estatística multivariada aplicada. Lisboa.

Rossi, R. (2015). Classificação automática de textos por meio de aprendizado de máquina baseado em redes. In: Tese (Doutorado) – Universidade de São Paulo, São Carlos.

Downloads

Publicado

20/12/2021

Como Citar

CARVALHO DE ALBUQUERQUE, I. G.; BERTUCI, M. H.; ARAUJO CANDEIA, B.; DE OLIVEIRA GOMES, N. CHURN RATE: como reduzir em empresas de telecomunicações utilizando aprendizado de máquina. Revista Interface Tecnológica, [S. l.], v. 18, n. 2, p. 40–52, 2021. DOI: 10.31510/infa.v18i2.1183. Disponível em: https://revista.fatectq.edu.br/interfacetecnologica/article/view/1183. Acesso em: 11 ago. 2022.

Edição

Seção

Tecnologia em Informática