Suivi avalancheux

Segundo Hoffman e Bateson (1997, p. 376-377), o gerenciamento do churn envolve:

1. Estabelecer como objetivo da organização e comunicar os funcionários da importância de reter os consumidores atuais e os benefícios obtidos pela redução da taxa de abandono e, não apenas enfatizar os benefícios provenientes da aquisição de novos consumidores;

2. Considerar a criação de barreiras à saída dos clientes para redução da taxa de

cancelamentos e elevar os custos resultantes da troca de fornecedor percebidos pelo consumidor. Exemplos de criação e elevação de custos de troca são: perda de

recompensa de programas de incentivo e cobrança de multas por rescisão contratual (STROUSE, 1999, p. 271);

3. Treinar funcionários à:

− Coletar informações sobre o consumidor;

− Prover instruções específicas do que fazer com estas informações; − Instruir empregados em como reagir a estas informações; e − Encorajar os funcionários a responder às estas informações;

4. Além de estabelecer sistemas de remuneração e incentivo relacionados às taxas de abandono para recompensar e reforçar esforços de retenção de clientes.

O conhecimento mais profundo dos clientes e o gerenciamento de churn não é conseguido e não pode ser analisado sem uma boa ferramenta de gestão de clientes, um banco de dados confiável. O grande facilitador é, de acordo com Vavra (1993), a evolução significativa da informática, reduzindo os custos, melhorando a capacidade de armazenagem de informações, e facilitando o registro de clientes em um banco de dados.

No estudo minucioso dos dados para descoberta das variáveis que fazem com que esses clientes insatisfeitos evadam-se e o porquê da insatisfação, etapa fundamental para o gerenciamento de churn, Cister (2005) e Swift (2001a, p.98) colocam que se empregam ferramentas de mineração de dados e de estatística multivariada.

Por mineração de dados entende-se o “processo de extração e apresentação de novos conhecimentos, anteriormente não detectáveis, selecionados de bancos de dados para decisões que possam ser acionadas” (SWIFT, 2001a, p.97-110).

Berry e Linoff (2000, p.8) citam seis atividades que envolvem mineração de dados para fazer emergir dos bancos de dados informações significativas. As primeiras três usam informações do banco de dados para construir modelos que descrevem o comportamento de uma variável em particular: classificação, estimação e predição de comportamento futuro. Outras três são relacionadas ao estabelecimento de relações entre variáveis: definição de regras de associação ou afinidade, determinação de agrupamentos, descrição e visualização de dados.

Berry e Linoff (2000, p. 9) colocam que métodos de classificação e estimação são aplicados no gerenciamento de churn. Métodos de classificação avaliam as características apresentadas nos dados e agrupam os objetos (por exemplo, consumidores) em grupos, tais como “propensos a cancelar” ou “não propensos a cancelar”. Já, métodos de estimação podem ser usados para estabelecer o horizonte de tempo que se espera que o consumidor fique com a empresa ou para estabelecer probabilidades de cancelamento.

Os métodos de classificação e estimação, usados em conjunto, podem estabelecer modelos de predição como, por exemplo, para prever reações às ações de marketing. Neste caso, dados históricos são usados para construção de modelos que explicam o comportamento real observado e, quando aplicado aos dados atuais, o resultado é a predição do comportamento futuro (BERRY; LINOFF, 2000). Existem vários métodos estatísticos para a classificação e

previsão de padrões, segundo Ferreira (2005), entre as metodologias mais utilizadas estão os classificadores bayesianos, fundamentados na teoria da probabilidade bayesiana, capazes de encontrar regras que respondem a perguntas tais como “qual a probabilidade de se cancelar contratos de serviço, dado que é uma segunda-feira de feriado prolongado?”.

A mineração pode ser orientada para verificação quando o analista desenvolve uma hipótese e utiliza técnicas para explorar e confirmar uma hipótese com certeza. Ou pode ser orientada para descoberta de novas hipóteses envolvendo a predição de valores ou descrição dos dados, além da utilização de softwares inteligentes e do analista de forma intensiva (SWIFT, 2001a, p.97-110).

Segundo Lejeune (2001), no processo orientado para descoberta, são aplicadas técnicas estatísticas para organizar e estruturar a observação frente aos dados, havendo dois tipos de objetivos específicos:

- predição para orientar o processo de decisão; e

- descrição dos dados para aumentar o entendimento dos dados e seu conteúdo.

A mineração orientada para descoberta que foca-se na descrição não está envolvida na predição de resultado em particular com base em outros valores. A descrição busca a caracterização de dados que não possuam resultados conhecidos (SWIFT, 2001a, p.111). Ou como apresenta Lejune (2001) trata-se de uma técnica útil para entender as diferenças e particularidades das várias categorias de clientes e permite a identificação de segmentos de clientes caracterizadas pela pequena variância intra-grupos e alta variância inter-grupos.

Figura 4 - Sistemática da mineração de dados

Hair (2005, p. 542-550) coloca que podem ser aplicadas as seguintes técnicas analíticas na mineração de dados:

- Buscas: muitas vezes se constituem como o primeiro passo da mineração. São utilizadas como forma do pesquisador começar a ver ou identificar padrões e relações. Formas de processo de buscas mais estruturadas são conhecidas como Linguagem de Consulta Estruturada – SQL (Structured Query Language) que permite buscas muito especificas, e Processamento Analítico On-line - OLAP (Online Analytical Processing), técnica especializada para gerar respostas rápidas a consultas de dados de natureza tipicamente dimensional.

- Visualização de dados: técnicas que permitem ao pesquisador reconhecer, por meios visuais, as relações básicas dos dados. Dentre elas, encontram-se o uso de diagramas de dispersão que permitem visualizar duas dimensões e de programas mais específicos para visualização, como o DIAMOND desenvolvido pela IBM que permite retratar até nove dimensões.

- Ferramentas estatísticas multivariadas: as análises de múltiplas variáveis em um único relacionamento ou conjunto de relações são extensivamente empregadas na mineração de dados. Hair (2005) alega que, por exemplo, a regressão múltipla pode ser usada para confirmação e exploração de relações de dependência, a análise fatorial é usada para avaliar padrões de variáveis, e a análise de agrupamentos pode avaliar a associação dos objetos ao longo das variáveis.

Mineração de dados

Mineração de dados Orientada para descoberta Mineração de dados

Orientada para verificação

Descrição Análise de agrupamento Predição Regressão, Classificação, Árvores de decisão e Redes neurais, algoritmo genético, SNF.

- Regras de associação: utilizadas para estabelecer perfil de objetos, particularmente em um contexto de marketing, para o qual os objetos são consumidores.

- Árvores de decisão: método que fornece um modo de desenvolver grupos que são consistentes em seus atributos, mas variam em termos de variável independente. Trata-se de uma forma de partição seqüencial de um conjunto de dados de maneira a maximizar as diferenças em uma variável independente. Segundo Hair (2005) dois programas são amplamente usados o Detector de Interação Qui-quadrado - CHAID e o programa Ärvores de Classificação e Regressão – CART.

- Redes neurais: ferramenta que tenta “aprender” por tentativas repetidas, como se organizar para conseguir a máxima previsão. As redes neurais simulam a neurofisiologia do cérebro com nós, entradas e saídas organizadas. Nelas, cada nó conecta-se ao próximo conjunto de nós por uma série de caminhos ponderados, e o pesquisador não controla a estrutura do modelo (nós que estão conectados e pesos dos caminhos entre nós), graças ao seu processo de aprendizado inerente. As redes neurais produzem um modelo de decisão ou de indução de regra para predizer os resultados com dados novos de entendimento mais difícil. (SWIFT, 2001a, p.112-113). Dentre suas habilidades estão: a capacidade de tratar de sistemas não lineares, capacidade de auto-ajuste (ou auto-aprendizado), abstração dos dados de entrada e generalização de dados de saída. O estudo das redes neurais ocorre há aproximadamente seis décadas e, atualmente, com o avanço tecnológico têm sido empregadas em diversos campos no reconhecimento e classificação de padrões, previsão de séries temporais, aproximação de funções, predição e otimização (OLIVEIRA, 2002). - Algoritmos genéticos: são também uma técnica baseada em aprendizado, mas que imitam

o processo evolutivo usando seleção natural. Neste modelo as soluções possíveis passam por filtros sucessivos e, ao passar do tempo, as soluções inferiores são eliminadas e caminha-se para a solução ótima.

Ferreira (2005) apresenta que os sistemas neuro-fuzzy (SNF) também podem ser aplicados na mineração de dados. São sistemas híbridos que combinam as vantagens de redes neurais, em relação a sua capacidade de aprendizado, com o poder de interpretação lingüístico da lógica fuzzi (conhecida também como lógica difusa), modelo matemático de lógica que permite o tratamento da incerteza admitindo valores intermediários entre falsidade e verdade (como o talvez). Para o autor, estes sistemas mostram-se adequada por sua “capacidade de gerar e expandir sua estrutura, lidando extremamente bem com um número grande de entradas e sendo capaz de extrair o conhecimento de regras de confusas bases de dados”.

Ferreira et al (2004) colocam que, no esforço de compreender e classificar os consumidores propensos a cancelar no intuito de agir antes que desertem, organizações brasileiras de telefonia móvel realizam uma análise cuidadosa do poder preditivo e explicativo dos algorítmos genéticos e os sistemas neuro-fuzzy. Estas técnicas analíticas seriam aplicadas por suas capacidades de entender e descrever o comportamento do consumidor via regras lingüísticas. Para o autor, modelos de redes neurais podem também ser aplicados, mas o entendimento de suas predições pode se tornar muito difícil.

Berry e Linoff (2000, p. 321-322) colocam que o gerenciamento de churn requer a efetiva construção de modelos de previsão de cancelamentos.