Ipam data mining churn nas telcos

1,151 views
1,073 views

Published on

Trabalho realizado na cadeira de Data Mining da 2ª Edição da Pós-Graduação de Marketing Digital do IPAM referente ao Churn no Sector das Telecomunicações (Abril 2011)

Este trabalho foi realizado por:
- Nuno Silva Pereira (eu :) )
- Carina Sequeira
- Carlos Pereira
- Gisela Pires
- Liliana Santos

Published in: Business, Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,151
On SlideShare
0
From Embeds
0
Number of Embeds
11
Actions
Shares
0
Downloads
34
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Ipam data mining churn nas telcos

  1. 1. Como reduzir esta tendência? Churn nas Telco’s Data Mining | 2ª Edição PG Marketing Digital | Abril 2011 GRUPO MINEIROS Ana Carina Fernandes Sequeira Carlos Alberto Afonso Pereira Gisela Sofia Neves Pires Liliana Sofia Antunes dos Santos Nuno Alexandre Silva Pereira
  2. 2. Índice <ul><li>Introdução </li></ul><ul><li>Enquadramento </li></ul><ul><li>Identificação do “ Churn ” </li></ul><ul><li>Análise SWOT </li></ul><ul><li>Identificação da informação a recolher </li></ul><ul><li>Proposta de resolução do problema </li></ul><ul><li>Resultados </li></ul><ul><li>Conclusão </li></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  3. 3. Introdução <ul><li>A gestão do conhecimento abrange todo o potencial de gerar, armazenar, distribuir e utilizar o mesmo, sendo fundamental o uso de tecnologias de informação para facilitar este tipo de procedimentos, por consequência do grande aumento no volume de dados produzidos. </li></ul><ul><li>  </li></ul><ul><li>O Data Mining é uma ferramenta que visa a identificação de padrões, relacionamentos ou modelos implícitos nos dados armazenado, ou seja, trata-se de uma extração não-trivial de padrões válidos, previamente desconhecidos, potencialmente úteis e, compreensível de uma grande quantidade de dados para uso na tomada de decisões. </li></ul><ul><li>  </li></ul><ul><li>É com base no Data Mining que pretendemos reflectir e elaborar soluções/conclusõe s , que servirão de base para melhores tomadas de decisão de como evitar o churn na indústria das Telecomunicações. </li></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  4. 4. Enquadramento <ul><li>Um sistema de telecomunicações produz diariamente uma grande quantidade de informação valiosa sobre os hábitos dos consumidores. Uma rede neste sector pode ser vista como uma série de componentes interligados: interruptores, intercâmbios, equipamentos de transmissão, etc. </li></ul><ul><li>Simultaneamente, os operadores procuram constantemente disponibilizar novos serviços e ofertas para se diferenciarem, na esperança de aumentar a receita gerada pelo cliente (ARPU – Average Revenue Per User ) e o tempo de fidelização. </li></ul><ul><li>O custo da rotatividade neste sector é superior para a conquista de novos clientes do que na retenção dos atuais, tornando-se num factor crítico para uma empresa que opere no sector das telecomunicações. </li></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  5. 5. Enquadramento Data Mining | 2ª Edição PG Marketing Digital | Abril 2011 Para melhor explicar o Churn , eis as suas diferentes tipificações:
  6. 6. Identificação do “Churn” <ul><li>O Churn consiste na troca de operadora por parte do cliente, trata-se da quantidade de clientes contratuais ou assinantes que deixam uma operadora durante um determinado período de tempo. A origem do termo surge muito provavelmente do verbo “ to churn ” na língua inglesa, que significa “ mexer, agitar violentamente ” . </li></ul><ul><li>É um indicador de insatisfação do cliente, a sua mudança pode ser originada por vários factores, tais como: preço mais barato na concorrência, oferta mais diversificada e inovadora de serviços na concorrência ou questões naturais do ciclo de vida do cliente para com a empresa. </li></ul><ul><li>Devido ao elevado índice de volatilidade neste sector, o Churn leva a que as operadoras desenvolvam novas formas de retenção dos seus clientes e sedução dos clientes da concorrência. </li></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  7. 7. Análise SWOT Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  8. 8. Informação a Recolher <ul><li>Devem ser recolhidos junto das Bases de dados as seguintes informações: </li></ul><ul><ul><li>Informação básica do cliente : sexo, idade, localização, estado civil; </li></ul></ul><ul><ul><li>Histórico do cliente : produtos/ serviços adquiridos (voz, dados, SMS), à quanto tempo é cliente da operadora; </li></ul></ul><ul><ul><li>Histórico de facturação e aquisição de novos produtos e serviços; </li></ul></ul><ul><ul><li>Registo de reclamações. </li></ul></ul><ul><li>Identificar tipo de cliente com maior probabilidade de vir a efectuar churn ; </li></ul><ul><li>Identificar pontos fortes e fracos da comunicação com o cliente; </li></ul><ul><li>Identificar aspectos de serviços e produtos que possam ser melhorados ou até reavaliados; </li></ul><ul><li>Validar, Implementar, Reorientar critérios de qualidade de serviço/produto, face a expectativas dos clientes; </li></ul><ul><li>Identificar timmings de contacto válidos para evitar reclamações com desfecho Churn. </li></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  9. 9. Data Mining | 2ª Edição PG Marketing Digital | Abril 2011 Árvore de Decisão
  10. 10. Web Usage Mining <ul><li>Identificação de perfis do cliente e de padrões de navegabilidade no sentido de aumentar a assertividade das acções de relacionamento. </li></ul><ul><ul><li>Compram online? </li></ul></ul><ul><ul><li>O que não compram? </li></ul></ul><ul><ul><li>Quem são? </li></ul></ul><ul><ul><li>O que pesquisam? </li></ul></ul><ul><ul><li>O quê, quando e como compram online? </li></ul></ul><ul><ul><li>Quais são os clientes que têm o mesmo comportamento de compra? </li></ul></ul><ul><ul><li>Quais as suas preferências? </li></ul></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011 Permite reconquistar e reter os actuais clientes, aumentar e estimular o consumo de produtos / serviços e até angariar novos clientes
  11. 11. Porquê Text Mining? Data Mining | 2ª Edição PG Marketing Digital | Abril 2011 <ul><li>Como pode ser observado na Figura 1, foi comparado o processo de decisão num determinado período de tempo (definido e estipulado), com a utilização da mineração de texto e sem a sua utilização. Sem o uso desta técnica, o tempo de recolha é muito maior, uma vez que os dados são disponibilizados de forma avulsa e sem qualquer classificação, o que aumenta a complexidade do processo reduzindo significativamente o timing para o processo de decisão. </li></ul><ul><li>Ao contrário, a utilização de Text Mining permite o agrupamento e classificação, tornando quer o tempo de recolha quer o tempo de análise mais rápido, resultando num maior aproveitamento de tempo para acção. Valida-se assim o impacto positivo que o Text Mining tem, no planeamento estratégico de acções de retenção de clientes. </li></ul>
  12. 12. Processo de Recolha Text Mining Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  13. 13. Aplicabilidade do Clustering Data Mining | 2ª Edição PG Marketing Digital | Abril 2011 <ul><li>Técnica de Clusterização : explorar semelhanças e padrões de comportamento e agrupar tipo de cliente por características similares. Vantagem aqui é não existir um padrão pré-existente. Existe aqui a possibilidade de, ao obter uma quantidade X de elementos (que concentra um conjunto de similaridades entre eles), porém claramente diferenciadoras face a todos os outros clusters. </li></ul><ul><li>O critério da similaridade é identificado sempre pela distância entre os elementos, onde quanto mais perto os elementos estiverem um do outro mais similares eles são. </li></ul><ul><li>Gerando pela utilização de K-means (elementos fortes e que enquadram bem na diferenciação face aos restantes), os chamados centroídes (indivíduos diferenciadores) e posteriormente os elementos base que os validam e são critério de avaliação de todos os outros. </li></ul>
  14. 14. Proposta de resolução do problema <ul><li>Com a eficácia da utilização das técnicas de Data Mining, Text Mining e Web Mining é possível: </li></ul><ul><li>ANTECIPAR - Combater a rotatividade existente no sector das telecomunicações através da previsão de qual o momento em que o cliente poderá querer trocar de operadora e identificar quais são os “ churners ” voluntários – deliberados (principal tipo de churner ) ou acidentais e involuntários (identificação e activação de acções anti-fraude e cobrança) [Ver quadro exemplificativo do próximo slide]; </li></ul><ul><li>DETECTAR - Determinar que tipo de clientes são mais susceptíveis de abandonar o serviço, e quais são os mais fiéis. Identificar o valor do cliente. A partir deste conhecimento é possível estabelecer uma estratégia que minimize o churn , reconquistar clientes pouco satisfeitos, e atrair novos clientes. </li></ul><ul><li>AGIR E PREVER - Atenção permanente a sugestões/reclamações apresentadas de forma a que sejam resolvidas rapidamente as necessidades do cliente, com foque nas novas tendências e futuros padrões de consumo. </li></ul><ul><li>  </li></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  15. 15. Plano Estratégico de Atuação Guerrilha ao Churn <ul><li>xxx </li></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  16. 16. Resultados <ul><li>A análise e gestão do churn envolvendo modelos preditivos para a retenção de clientes e para a qualificação dos esforços de vendas e marketing, apresenta como principais outputs : </li></ul><ul><li>Redução significativa do churn da operadora ao verificar-se um aumento da quantidade de clientes retidos; </li></ul><ul><li>A operadora passa a recolher dados relevantes dos seus clientes em todos os pontos de contacto, permitindo delinear melhores planos de acção ( business intelligence ); </li></ul><ul><li>Menores gastos em acções de marketing e de comunicação incorridos para retenção, nomeadamente através de melhores timmings no lançamento de promoções a clientes identificados como potenciais churners; </li></ul><ul><li>A operadora permanece a mais lucrativa no mercado com a maior média de receitas por cliente (ARPU - Average Revenue Per User ) e menor taxa de rescisões de clientes contratuais; </li></ul><ul><li>Optimização na definição de tarifas pela operadora, permanecendo competitiva e rentável; </li></ul><ul><li>Permite à operadora realizar up-selling a clientes de pré-pagos para reduzir churn , oferecer pacotes de serviços de maior valor premium a clientes pós-pagos (melhor adequação de serviços ao perfil do cliente). </li></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
  17. 17. Conclusão <ul><li>A concorrência, em qualquer área de negócio, é hoje medida à escala global, sendo a diferenciação um desafio constante. No sector das telecomunicações o “ combate ” dá-se pela conquista de uma maior base de assinantes, quer através da retenção de actuais clientes, quer da conquista de novos. </li></ul><ul><li>Gerir relações comerciais é assim a premissa para a sobrevivência/sucesso do negócio, já que os operadores começam a oferecer serviços semelhantes de uma forma ou de outra, mais cedo ou mais tarde. </li></ul><ul><li>Na “ Era da Globalidade ” será na análise das especificidades do mercado, com base numa identificação de padrões de comportamento, que a estratégia deverá assentar, definido metas e objectivos específicos e adequados às necessidades e expectativas dos consumidores. </li></ul><ul><li>O Data Mining é assim uma ferramenta crucial e de excelência, contribuindo para: </li></ul><ul><ul><ul><ul><ul><li>Melhorar a fluidez e flexibilidade de dados; </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Apoiar decisões estratégicas com base em factos; </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Uma revisão estratégica constante; </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Identificar soluções, mantendo o processo transparente; </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Definir e gerir campanhas que fomentem a fidelização dos clientes; </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>E no presente Caso de Estudo, para a redução do churn. </li></ul></ul></ul></ul></ul>Data Mining | 2ª Edição PG Marketing Digital | Abril 2011

×