Nunes, Maria Helena Mouriño SilvaSantos, Adriano Miguel Pinhal dos2023-03-212023-03-2120212021http://hdl.handle.net/10451/56747Tese de Mestrado, Estatística e Investigação Operacional, 2021, Universidade de Lisboa, Faculdade de CiênciasDescreve-se neste estudo o desenvolvimento de uma metodologia para previsão do valor do cliente, ao longo de todo o seu clico de vida, numa empresa de comércio a retalho especializada em produtos de electrónica. A determinação do valor do cliente reveste-se de especial importância para qualquer empresa uma vez que permite uma tomada de decisão melhor informada quer a nível operacional, como por exemplo a determinação do tipo de ofertas e campanhas que melhor se adequam a cada cliente, quer a nível estratégico, uma vez que permite, por exemplo, conhecer de um modo mais profundo o perfil dos clientes que se revelam mais vantajosos para a empresa do ponto de vista económico. São desenvolvidos e testados quatro modelos preditivos, sendo três deles tipicamente enquadrados na área da aprendizagem automática (machine learning), enquanto que o quarto modelo testado é um modelo probabilístico pertencente à classe dos modelos hierárquicos bayesianos. Um dos modelos testados, o modelo de regressão logística penalizada, foi eleito para implementação prática na empresa. Os critérios para a escolha do modelo foram a elevada capacidade preditiva do modelo, a sua elevada interpretabilidade, e o seu baixo custo computacional face aos outros modelos que apresentaram uma capacidade preditiva semelhante. Adicionalmente realiza-se ainda uma análise estatística de um conjunto de testes de marketing, estudando-se a taxa de conversão em função de vários tipos de segmentação dos clientes.A method to determine the customer lifetime value (CLTV) at an electronics retail company is presented. The quantification of the customer lifetime value is especially important for a company given that it allows better informed decisions to be made, both at the operational level, such as, for instance, identifying the most suitable offers and campaigns for each individual customer, and at the strategic level, since it allows for a more thorough knowledge of the profile of clients that are more advantageous to the company from an economical viewpoint. Four different predictive models are developed and tested, with three of such models being commonly classified as machine learning models, and with the fourth tested model being a probabilistic model belonging to the class of hierarchical Bayesian models. One of the models, a penalized logistic regression, was chosen for onsite production and is currently being used at the company to predict of each customer’s lifetime value. The criteria for model choice were its high predictive capability, high interpretability, and low computational cost when compared to competing models with similar predictive performance. Additionally, statistical analysis on a set of marketing tests was conducted, with the clients conversion rate being assessed according to several different segmentations.porValor do clienteMachine learningTestes de marketingModelos preditivosTeses de mestrado - 2021master thesis202934462