Mineração de dados na previsão de melhor canal de abordagem para próxima melhor ação no relacionamento hiper personalizado com o cliente bancário

Abstract

A existência de diversos canais de interação com o cliente gera um desafio na escolha do canal mais adequado nas diversas jornadas negociais nas organizações. Um banco brasileiro pretende prover as melhores experiências para os seus clientes. Para tal, deseja criar uma estratégia de abordagem hiper personalizada em suas jornadas negociais, de forma a antecipar desejos e necessidades dos consumidores de produtos e serviços oferecidos pela organização. Uma das alternativas de personalização de abordagens é a implementação de um modelo Next Best Action (NBA), entregando a melhor mensagem, no momento mais adequado, pelo melhor canal de interação com o cliente. Este trabalho se propôs a modelar o comportamento de clientes bancários utilizando técnicas de Mineração de Dados a fim de elaborar um modelo de previsão para o melhor canal de interação no relacionamento negocial, de forma a atender a demanda da organização por maior eficiência operacional no envio de mensagens. Os dados utilizados incluem informações cadastrais, demográficas, comportamentais e históricos de interações, de forma a representar de forma única e individual cada cliente em seu relacionamento com a empresa, provendo assim cumprimentos à tomada de decisão do canal mais adequado para a abordagem. Foram comparadas abordagens probabilísticas, árvores de decisão, combinação de algoritmos e uso de redes neurais em modelos binários e multi classe, obtendo como resultado final uma acurácia de 0.9196, AUC de 0.9873, precisão de 0.9218 e F1 de 0.9197 em um modelo multi classe implementado com o algoritmo Random Forest Classifier.