Customer Experience e Customer Health Score de clientes SaaS: uma análise da parametrização das métricas que influenciam o Customer Churn
Apesar da rotatividade de clientes, ou Customer Churn, nas indústrias de serviços ter sido estudada extensivamente, o Software as a Service ainda não representa um foco específico de pesquisas acadêmicas especialmente no que concerne as métricas que compõem o Customer Health Score. Buscou-se oferece...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Estado: | Versão publicada |
| Data de publicação: | 2019 |
| País: | Brasil |
| Recursos: | Fundação Getulio Vargas (FGV) |
| Repositório: | Repositório Institucional do FGV (FGV Repositório Digital) |
| Idioma: | português |
| OAI Identifier: | oai:repositorio.fgv.br:10438/28445 |
| Acesso em linha: | https://hdl.handle.net/10438/28445 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Métricas de customer churn Seleção de variáveis para predição de churn Calibragem de modelo preditor de churn Customer experience Customer churn Customer churn metrics Churn prediction feature selection Churn predictor model calibration Administração de empresas Clientes - Fidelização Comportamento do consumidor Marketing de relacionamento Sistemas de informação gerencial Indústria de software |
| Resumo: | Apesar da rotatividade de clientes, ou Customer Churn, nas indústrias de serviços ter sido estudada extensivamente, o Software as a Service ainda não representa um foco específico de pesquisas acadêmicas especialmente no que concerne as métricas que compõem o Customer Health Score. Buscou-se oferecer uma metodologia para criação de um modelo preditivo de Customer Churn a partir do cálculo de Customer Health Score. Levou-se em consideração seus diversos indicadores e variáveis que podem ser medidos em todas as etapas de interação dos clientes ao longo de sua jornada. Tomou-se como foco uma empresa líder na América Latina em software, cuja classe de produtos principal é o ERP, do inglês Enterprise Resource Planning. A análise foi realizada por meio de dois algoritmos preditivos – regressão logística, que é um modelo já bastante estudado e de uso bastante consolidado, e o XGBoost, que é um modelo mais novo e que tem apresentado bons resultados em diversas aplicações– utilizandose principalmente dados coletados em interações do cliente com a companhia. Foram considerados dados de 40.635 clientes que compõem a carteira de clientes com receita recorrente da companhia. As contribuições de quatro categorias de variáveis que poderiam compor um Customer Health Score foram analisadas: informações de interação da companhia com o cliente, informações sobre o cliente, informações sobre os contratos existentes e informações comerciais. Os modelos testados nesse trabalho analisaram, ao todo, 396 variáveis candidatas coletadas num período de 19 meses – de setembro de 2017 a março de 2019 – representando um número de dados unitários superior a 220 milhões. O modelo de XGBoost apresentou bons resultados de indicadores quantitativos para o caso estudado tendo os melhores índices de TPR (0,6547), Precisão (0,7268) e F-Score (0,6889). A metodologia aplicada é descrita em nível operacional, permitindo assim que outros pesquisadores e analistas possam replicá-la em contextos diferentes e mais amplos. |
|---|