Caso de Estudo

Segmentação baseada no CLV utilizando Data Mining

A segmentação de clientes é cada vez mais necessária quando os interesses dos clientes são vitais para a sobrevivência das empresas. Este projeto, aplicado numa empresa da indústria alimentar, utilizou técnicas de data mining para classificar os clientes de acordo com o seu valor do ciclo de vida (CLV). Cada segmento de clientes é descrito por um conjunto de regras baseadas nos padrões de compra dos clientes. Os segmentos de clientes obtidos serão utilizados para dinamizar as estratégias de marketing, uma vez que estes segmentos possibilitam a diferenciação dos clientes.

A empresa

A empresa em que o projeto foi realizado é classificada como uma empresa sustentável e competitiva, investindo na qualidade e inovação para construir uma produção de confeitaria única. Ao longo dos anos, a empresa tem estado preocupada com as necessidades dos clientes. Por esta razão, investir nos clientes é uma estratégia a longo prazo, essencial para aumentar a quota de mercado e destacar-se a nível nacional e internacional.

É de salientar que os clientes da empresa não representam o cliente final, mas sim distribuidores e retalhistas, dado que se trata de uma empresa B2B.

O desafio

A empresa estudada categoriza o mercado utilizando fatores geográficos, devido às diferenças entre os mercados pertencentes a diferentes países. Segmentar os clientes por área geográfica é uma abordagem de segmentação tradicional, não sendo utilizada na mesma medida que anteriormente, uma vez que muitos serviços se transformaram em eletrónicos, reduzindo as dificuldades inerentes à distância. Além disso, a localização pode não representar um comportamento de compra semelhante.

O objetivo do projeto foi construir segmentos de clientes com base no valor do ciclo de vida do cliente (CLV) para desenvolver abordagens de marketing diferenciadas.

Os dados recolhidos incluem 28.259 transações de 296 clientes, ao longo do período de um ano.

A abordagem

O primeiro passo do projeto foi organizar os dados num conjunto de dados de 296 linhas, cada uma representando um cliente, e preparar os dados para a fase de clustering. Este conjunto de dados incluía 4 variáveis, ou seja, as variáveis RFM – o intervalo de tempo entre o momento da análise e o momento da compra mais recente (Recência), o número de compras que o cliente fez dentro de um período considerado (Frequência) e o valor médio das transações (Valor Monetário) – e a localização geográfica do cliente.

Na fase de clustering, o modelo de segmentação RFM foi aplicado depois de definir o número de clusters com base no método da silhueta média. O valor da silhueta (sil) é uma medida de como um objeto é semelhante ao seu cluster (coesão) em comparação com outros clusters (separação), indicando um valor elevado que o objeto é bastante compatível com o seu cluster, ao contrário dos clusters vizinhos. O número de clusters, representando o número de grupos de clientes que têm um comportamento RFM semelhante, foi fixado em 5 e cobre 83,6% da variação total presente no conjunto de dados.

Para uma melhor compreensão de cada cluster, é apresentada uma árvore de decisão com as regras que permitem a distinção dos segmentos.

O valor de cada segmento para a empresa foi avaliado através da aplicação – Weighted RFM (WRFM). Para este efeito, foi necessário definir os coeficientes de ponderação de cada uma das variáveis RFM. Tal foi realizado utilizando o Processo de Hierarquia Analítica (AHP – Analytic Hierarchy Process). Para definir a importância relativa dos critérios, os principais decisores da empresa foram envolvidos para comparar cada possível par de critérios. Após o exercício de comparação, o CLV foi avaliado.

É de notar que o complemento de um dos valores de recência normalizada foi tomado porque o Cj visa medir o valor do cliente, que é maior quando a recência é menor.

O segmento número 5 tem o valor CLV mais elevado. Neste caso, a maioria dos clientes comprou recentemente, com a média mais elevada de compra por transação. Estes clientes apresentam as características de um segmento muito valioso cujas estratégias de segmentação devem considerar estas especificações.

Conquistas e próximos passos

Ao analisar as características dos segmentos alcançados, inferidas a partir das árvores de decisão, a empresa estava muito confiante de que a estratégia de marketing derivada da segmentação produziria resultados de crescimento.

Com a informação resultante deste estudo, a empresa pode definir uma estratégia específica, dependendo das características do cluster. Para o segmento referente ao valor mais baixo, poderiam ser iniciadas campanhas de marketing e descontos para estimular a compra, dar a conhecer produtos correntes (por exemplo, fornecendo amostras), promover a experimentação, eliminar produtos ou esbater a sazonalidade do consumo. Para os clusters que presentemente têm um valor mais elevado, tratamento premium e uma relação mais próxima com os clientes, é recomendável para manter o valor do cliente. Considerando o foco da empresa na inovação e o consequente lançamento de novos produtos, poderia ser interessante envolver os clientes mais valiosos na ideação e/ou garantir vendas exclusivas para reforçar a sua natureza especial.

#processmanufacturing #marketing&sales