Predição de Churn no E-commerce

Prévia do material em texto

INSTITUTO FEDERAL DE SÃO PAULO
Ricardo Moura Caires Costa
Predição de Churn no E-commerce: Gerando Aumento de Receita
São Paulo - SP
2022
INSTITUTO FEDERAL DE SÃO PAULO
Ricardo Moura Caires Costa
Predição de Churn no E-commerce: Gerando Aumento de Receita
Trabalho de conclusão de curso apresentado como requisito para a conclusão do curso de Engenharia de Controle e Automação do Departamento de Elétrica do Instituto Federal de São Paulo.
Orientador: Prof. Ms. Antônio Faricelli Filho.
São Paulo - SP
2021
Ricardo Moura Caires Costa
Predição de Churn no E-commerce: Gerando Aumento de Receita
Trabalho de Graduação apresentado como requisito para a conclusão do curso de Engenharia de Controle e Automação do Departamento de Elétrica do Instituto Federal de São Paulo.
.
Data:	___________________________
Resultado:	_____________________
BANCA EXAMINADORA
Prof. MSC. 	Instituto Federal de São Paulo
Assinatura____________________________
Prof. MSC. XXXXXXXXXXXXXXX 	Instituto Federal de São Paulo 
Assinatura____________________________
Prof. XXXXXXXXXXXXXX 	Instituto Federal de São Paulo
Assinatura____________________________
AGRADECIMENTOS
Agradeço por este trabalho primeiramente à Deus que me capacita todos os dias para correr atrás dos meus sonhos, a minha família que sempre esteve ao meu lado e me apoia, aos meus professores do curso de Engenharia de Controle e Automação pelos ensinamentos compartilhados, a minha noiva pelo companheirismo e apoio, e ao meu orientador pela excelente orientação durante meu trabalho de conclusão de curso.
RESUMO
PREDIÇÃO DE CHURN NO E-COMMERCE: GERANDO AUMENTO DE RECEITA
O presente trabalho tem como tema a predição de Churn no e-commerce, gerando aumento de receita. A metodologia que foi adotada na formulação do trabalho foi baseada em pesquisas bibliográficas, através de consultas a livros, revistas, pesquisa de manuais, tratados, artigos publicados na internet. Assim, o objetivo geral desta pesquisa busca apontar como uma loja online pode ter aumento de sua receita por meio do desenvolvimento de um algoritmo para a predição de Churn no e-commerce. Os objetivos específicos buscam apresentar e conceituar o que é o machine learning, bem como destacar sua relação com o marketing digital, apresentar e apontar como se calcula a predição de Churn, abordar o uso de algoritmos aplicados ao marketing para retenção de clientes e por fim, mostrar o passo a passo e aplicação do algoritmo aqui desenvolvido. No estudo de caso foi desenvolvido um algoritmo para predição de Churn, e para o desenvolvimento de tal algoritmo foi utilizado técnicas de machine learning e uma base de dados de uma empresa de e-commerce americana. 
Palavras-chave: E-commerce; Churn; Predição; Aumento de receita.
ABSTRACT
E-COMMERCE CHURN PREDICTION: GENERATING INCREASE REVENUE
The present work has as its theme the churn prediction in e-commerce, generating revenue increase. The methodology that was adopted in the formulation of the work was based on bibliographical research, through consultations to books, magazines, research of manuals, treaties, articles published on the internet. Thus, the general objective of this research seeks to point out how an online store can increase its revenue through the development of an algorithm for the prediction of Churn in e-commerce. The specific objectives seek to present and conceptualize what machine learning is, as well as highlight its relationship with digital marketing, present and point out how the Churn prediction is calculated, address the use of algorithms applied to marketing for customer retention and finally, show the step by step and application of the algorithm developed here. In the case study, an algorithm for Churn prediction was developed, and for the development of such an algorithm, machine learning techniques and a database of an American e-commerce company were used.
Keywords: E-commerce; Churn; Prediction; Revenue increase.
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE ABREVIATURAS E SIGLAS
LISTA DE SÍMBOLOS
SUMÁRIO
1 INTRODUÇÃO	1
1.1 CONSIDERAÇÕES INICIAIS	1
1.2 OBJETIVOS	2
1.3 APRESENTAÇÃO	2
2 O E-BUSINESS E SUA RELAÇÃO COM O E-COMMERCE	4
2.1 SURGIMENTO E EXPANSÃO DO E-COMMERCE	4
2.2.1 Crescimento acelerado do e-business	5
2.2.2 Vantagens e Desvantagens do E-business	6
2.2.3 Etapas do e-business	7
3 MACHINE LEARNING	7
4 RELAÇÃO DO MACHINE LEARNING COM O MARKETING DIGITAL	10
4.1 EXPERIÊNCIA APRIMORADA DO CLIENTE	11
4.2 APROVEITAR O FEEDBACK PARA OTIMIZAR O CONTEÚDO	12
4.3 ENVOLVER DO CLIENTE	12
4.4 AUTOMATIZAR A CRIAÇÃO DE CONTEÚDO	12
4.5 EVITAR ERROS	13
5 PREDIÇÃO DE CHURN	14
5.1 ROTATIVIDADE DE CLIENTES	15
5.1.1 Cálculo da taxa de rotatividade	16
6 ALGORITMOS APLICADOS AOS DADOS DE MARKETING PARA RETENÇÃO DE CLIENTES	18
6.1 ALGORITMOS DE APRENDIZADO DE MÁQUINA MAIS COMUNS E POPULARES	21
7 MATERIAIS E MÉTODOS	25
7.1 MARCO TEÓRICO	25
7.1.1 Tipo de pesquisa	25
7.1.2 Procedimentos de coleta	25
7.1.3 Análise de interpretação dos resultados	26
7.2 ESTUDO DE CASO	26
8 RESULTADOS	27
9 CONSIDERAÇÕES FINAIS	28
REFERÊNCIAS	29
1 INTRODUÇÃO
1.1 CONSIDERAÇÕES INICIAIS
À medida que a tecnologia avança a um ritmo sem precedentes, fazer uso do potencial da Inteligência Artificial nos negócios não é mais um desejo e sim uma realidade. Nos dias atuais, pode-se perceber que tecnologia e negócios andam de mãos dadas. Fazer um sem o outro seria um erro que as empresas devem evitar se pretendem permanecer competitivas.
 Um elemento que está possibilitando um melhor envolvimento do cliente é o insight de dados. Por causa disso, a dependência das informações geradas pelos dados está aumentando continuamente. A força motriz por trás disso é a necessidade de as empresas anteciparem o comportamento do cliente. É aqui que o aprendizado de máquina é útil (RODRIGUES, 2020).
O aprendizado de máquina é uma área de estudo derivada da Inteligência Artificial (CERRI; DE CARVALHO, 2017). Tal área se desenvolveu consideravelmente após o aumento na complexidade dos problemas a serem solucionados computacionalmente e pelo considerável aumento no volume de dados. Um dos meios para resolução de tais problemas é a simples descoberta de uma hipótese, seja se baseando em somente uma regra ou em um conjunto delas, como por exemplo qual cliente deveria receber uma propaganda X falando sobre o lançamento do produto Y. A esse processo de resoluções de hipóteses a partir de dados passados é que surge o Aprendizado de Máquina (LORENA; GAMA; FACELI, 2011).
O escopo das aplicações de aprendizado de máquina por profissionais de marketing digital pode não estar totalmente claro, mas já teve um grande impacto nos resultados da mercadologia para aqueles que o aplicaram. Como há uma vantagem a ser obtida com análises detalhadas e precisas, os algoritmos de aprendizado de máquina são capazes de fornecer. As equipes de marketing agora podem obter percepções detalhadas que lhes permitem otimizar as estratégias de mercancia (VAZ, 2011).
O aprendizado de máquina (machine learning) está sendo implementado para ajudar os profissionais de marketing digital a expandir seu conhecimento e compreensão de seu público-alvo. De forma tal que lhes permita utilizar esse aprendizado/insight na busca pela adequação de estratégias que tragam uma interação/envolvimento mais assertivo com o cliente (KIULIAN, 2017).
O uso de tecnologias que irão compreender e agrupar padrões de comportamentos e intenção do consumidor, tem sido cada vez mais expandido, como é o caso do uso de predição de Churn, um componente de (machine learning) aprendizado de máquina que está diretamente ligado a inteligência artificial. 
Dentro deste contexto o presente trabalho buscará responder em que medida o desenvolvimento de um algoritmo para a predição de Churn no e-commerce pode proporcionar um melhor entendimento do negócio, a fim de gerar informações que possam como consequência gerar um aumento de receita de uma determinada loja online? 
Vislumbrandocontribuir para o meio acadêmico, esta pesquisa é justificada mediante sua rica contextualização quanto a temática, acrescentando ou reforçando o conhecimento existente na literatura sobre o uso de predição de Churn no e-commerce.
Além disso, a pesquisa também se justifica mediante sua apresentação contextual que simplifica a temática, agregando ao seu meio social, onde pessoas mesmo sem conhecimento técnico sobre o assunto poderão compreender e conhecer o cenário apresentado.
1.2 OBJETIVOS
O objetivo geral desta pesquisa é demonstrar um sistema de suporte por meio do desenvolvimento de um algoritmo para a predição de Churn e possíveis informações que podem ser geradas através da análise de dados de um e-commerce Estado Unidense. Os objetivos específicos buscarão apresentar e conceituar o que é o machine learning, bem como destacar sua relação com o marketing digital, apresentar e apontar como se calcula a predição de Churn, abordar o uso de algoritmos aplicados ao marketing para retenção de clientes e por fim, mostrar o passo a passo e aplicação do algoritmo aqui desenvolvido. 
1.3 APRESENTAÇÃO
O trabalho é dividido em cinco partes, sendo esta a primeira, onde se apresenta a introdução do trabalho. Do capítulo dois até o capítulo seis se apresenta todo o aporte teórico do trabalho. 
Dessa forma, o capítulo 2 irá relacionar as atividades de e-business com o e-commerce na atualidade.
 O capítulo 3 apresenta toda a conceituação do machine learning (aprendizado de máquina) na primeira aparição do conceito, traduzir. O leitor brasileiro não tem obrigação de entender termos estrangeiros), nessa sequência lógica, o capítulo 4 traz sua relação com o marketing digital e como atuam juntos. Para tal fim, o capítulo 5 descreve o que é predição de Churn, bem como é aplicado, dessa forma, o capítulo 6 traz sobre o uso de algoritmos aplicados ao marketing para retenção de clientes.
No capítulo sete se apresenta a metodologia utilizada para o desenvolvimento desta pesquisa, onde será aplicado um estudo de caso. Seguindo, a seção oito apresenta os resultados obtidos no desenvolvimento do ensaio prático, tal qual pode-se analisar as informações geradas através da análise de dados e as técnicas de machine learning que foram utilizadas para o desenvolvimento do algoritmo para predição de Churn, por fim, o último capítulo apresenta as considerações finais do projeto aqui apresentado. 
2 O E-BUSINESS E SUA RELAÇÃO COM O E-COMMERCE
As atividades de negócios eletrônicos (e-business) se caracterizam pelo baixo custo de investimento, podendo vender grandes volumes, com uma grande abrangência e podendo vender produtos inviáveis no mercado tradicional (ESCURSELL et al., 2021).
O comércio eletrônico (e-commerce) é a transação de informações, produtos e serviços realizados através de linhas telefônicas, correios eletrônicos e outros meios eletrônicos, se tornando uma área importante no e-business. O e-business não é apenas o e-commerce, mas sim, a integração de todas as atividades de uma empresa que tem como principal meio de comunicação a Internet (GUO, 2018).
2.1 SURGIMENTO E EXPANSÃO DO E-COMMERCE
O e-commerce através da internet é o ramo de atividade econômica mais crescente no mundo. As empresas que ingressam no comércio on-line têm atraído o maior número de investidores do mercado de ações, aumentando o valor de mercado de forma alucinante. Ou seja, o e-commerce, ou comércio eletrônico, é uma modalidade comercial em que as transações são realizadas através de plataformas eletrônicas, onde o comércio é feito nas chamadas Lojas Virtuais (OTOO et al., 2019).
A história do e-commerce tem origem no início da década de 1970, quando alguns alunos da universidade de Stanford e do MIT usaram a ARPANET, uma espécie percursora da internet desenvolvida pelo departamento de defesa dos EUA, para realizarem transações entre si (GUO, 2018).
Um sistema de compra e venda online só se efetivaria anos depois. Em 1979 um empreendedor executivo do ramo de TI criou um meio de realizar compras online através de uma televisão modificada, nomeada de Videotex. A primeira pessoa a realizar uma compra através da internet foi Jane Snowball, no ano de 1984, em sua casa utilizando o Videotex, muito antes do world wide web (sigla www) surgir, fato que aconteceria em 1990, graças à Tim Berners-Lee. A partir desse momento, navegar na internet tornou-se uma atividade mais simples e acessível para usuários comuns (CARMO; MANZKE, 2018).
Segundo Deitel, Deitel e Steinbuhler (2004, p. 5):
A Internet e a World Wide Web certamente serão relacionadas entre as mais importantes criações da humanidade... A Internet mescla computação e tecnologias de comunicação, torna o nosso trabalho mais fácil e as informações instantânea e convenientemente acessíveis em todo o mundo, possibilita que pessoas e empresas possam se mostrar em todos os lugares e transformou o modo de se fazer negócios (DEITEL, DEITEL e STEINBUHLER, 2004, p.5).
As compras online evoluíram ainda mais com a criação do primeiro website (site de compras) comercial, em 1992, que vendia livros online através do processamento dos pagamentos em cartão de crédito. Nomes gigantes como Amazon e eBay surgiram nesta mesma década, no ano de 1995, seguidos de diversas plataformas e empresas até chegar nos dias atuais, em que o e-commerce é uma das principais ferramentas na hora do consumidor efetuar a compra de algum produto (STOUTHUYSEN, 2020).
O e-commerce brasileiro teve o desenvolvimento cinco anos mais tarde, em 1996, que nos EUA, mas em 2001, o setor já faturava em torno de R$ 0,2 bilhões. Os números nunca pararam de crescer, tendo um faturamento de R$ 2,6 bilhões já no primeiro semestre de 2007 – um crescimento de aproximadamente 1000% em relação ao primeiro semestre de 2001 (TOREZANI, 2008).
Figura 1 – Evolução do Faturamento no e-commerce
Fonte: disponível em https://eficazmarketing.com/blog/aproveite-o-crescimento-do-e-commerce-no-brasil-para-vender-mais/, acesso em fev 2022.
2.1.1 Expansão do e-commerce no contexto da COVID-19
A COVID-19 é uma doença infectocontagiosa transmitida através de gotículas de saliva que ficam propensas no ar, a COVID-19 é causada pelo coronavírus SARS-CoV-2 e tem como principais sintomas febre, cansaço e tosse seca.
No gráfico a seguir pode-se analisar a taxa de transmissão da COVID-19 no Brasil. Deve-se observar que para taxa de transmissão maior ou igual a 1, a projeção é de alta e demonstra que se trata de uma situação pandêmica.
Figura 2 – Evolução casos de infecção pela COVID-19 e taxa de transmissão
Fonte: disponível em https://ais.paho.org/phip/viz/COVID19Rt.asp, acesso em fev 2022.
	Durante a pandemia no Brasil o governo decretou diversas medidas restritivas, que restringiam principalmente a locomoção das pessoas. Tais medidas, trouxeram quedas expressivas no faturamento de muitos comércios físicos, porém na contramão dessas quedas está o crescimento expressivo do faturamento do e-commerce. De acordo com a consultoria Nielsen, em 2020 as vendas do comércio eletrônico cresceram 41%, atingindo um faturamento de R$87,4 bilhões. E, de acordo com economistas da FGV o comportamento da troca pela compra de produtos na loja física pela compra de produtos na loja online veio para ficar, já que se comparando junho de 2020 as vendas online cresceram 73% se comparado ao mesmo período de 2019.
2.2 Crescimento acelerado do e-business
A Internet acabou com velhos modelos de negócio, estruturas e de troca de informações, e o e-business começou a ter uma grande importância no atual mercado globalizado (TEIXEIRA, 2017).
Seu aumento contínuo está mudando a natureza, o tempo e a tecnologia do comércio business-to-business (B2B, empresas que vendem soluções/produtos a outras empresas) e business-to-consumer (B2C, empresas que vendem soluções/produtos direto ao consumidor final), influenciando preços, disponibilidade de produtos, retenção de estoque, padrões de transporte e comportamento do consumidor nos mercados desenvolvidos e economias em todo o mundo (DE ANDRADE etal., 2017).
Figura 3 – Ciclo das transações de acordo com o modelo de negócio
Fonte: disponível em https://www.next4biz.com/b2b-b2c-b2b2c-marketing/, acesso em fev 2022.
O comércio eletrônico business-to-business representa a grande maioria das vendas totais de comércio eletrônico e desempenha um papel de liderança nas redes globais da cadeia de suprimentos (ESCURSELL et al., 2021). Embora as compras online recebam a atenção mais popular, as vendas no varejo de comércio eletrônico são ofuscadas pelas vendas eletrônicas nos setores de manufatura e atacado. Da soma desses três, o comércio eletrônico de fabricação representa 56% das vendas de comércio eletrônico, o atacado representa 38% e as vendas no varejo representam apenas 6% (TEIXEIRA, 2017).
À medida que a tecnologia, o comércio eletrônico e a globalização se tornam mais interligados, compradores e vendedores estão aumentando sua conectividade e a velocidade com a qual realizam transações de vendas. Uma consequência disso é que as empresas poderiam manter estoques menores de mercadorias, já que as compras eletrônicas produzem mercados mais profundos e mais flexibilidade na adaptação às condições de demanda (OTOO et al., 2019).
Os índices históricos entre estoque e vendas vêm tendendo substancialmente para baixo desde o início dos anos 90, tanto para os varejistas quanto para os fabricantes. (ESCURSELL et al., 2021).
2.2.2 Vantagens e Desvantagens do E-business
É possível identificar vantagens e desvantagens no momento da implantação do e-business, são elas: 
· Vantagens - Uma das principais vantagens do e-business é ser sem fronteiras, as pessoas possuem alcance de produtos/serviços ilimitados, o que favorece a vinda de novos clientes. Com relação à integração, um e-commerce possui sistemas conectados, o que favorece a troca de informações, facilitando no fechamento da venda. Todas as etapas realizadas na compra são armazenadas e enviadas ao gestor, facilitando a análise de dados (GUO, 2018).
· Desvantagens - O custo para a criação de um e-business depende do porte da sua organização, quanto maior seu porte, maior o custo. A organização deve se manter sempre atualizada as novas tendências do ramo. Os gerentes devem possuir total domínio e conhecimento das ferramentas que estão utilizando. Por se tratar de compras via Internet, o consumidor fica com um certo receio de gastar seu dinheiro em algo que ele não está visualizando, portanto, é preciso de um sistema que não ocorra falhas (STOUTHUYSEN, 2020).
2.2.3 Etapas do e-business
A linha de evolução do e-business pode ser dividida em três etapas, cada uma com sua característica pertinente ao momento em que foi utilizada. Antigamente, colocavam que o e-business dissolvia os modelos de negócios, alterando custos, modo de tratativas entre clientes, fornecedores e parceiros. Hoje, além dele dissolver, ele é considerado um solvente das relações, pois ultrapassa barreiras e fronteiras nas negociações com clientes, fornecedores e parceiros (CHUN, 2019).
Na primeira etapa do e-business (1994-1997), as organizações só se preocupavam em ficar online, para entrar na primeira etapa, as empresas necessitavam apenas de um site web (COMBE, 2006; ARANTES, 2016).
Na segunda etapa (1997-2000), começaram a surgir transações de compra e venda online, com as empresas mantendo foco no fluxo de pedidos e receita. A terceira etapa se compõe dos anos 2000 até o presente, nesta etapa as empresas procuram como a internet irá influenciar em sua lucratividade (GUO, 2018; ARANTES, 2016; COMBE, 2006).
Esta fase é denominada como e-business, pois além das transações de compra e venda, as organizações estão alterando os modelos de negócio de acordo com a tecnologia utilizada no momento (STOUTHUYSEN, 2020).
10
3 MACHINE LEARNING 
O Machine Learning é um método de análise de dados que automatiza a criação de modelos analíticos. É um ramo da inteligência artificial baseado na ideia de que os sistemas podem aprender com os dados, identificar padrões e tomar decisões com o mínimo de intervenção humana. Devido às novas tecnologias de computação, o Machine Learning tem evoluído constantemente (SMOLA, et al. 2008)
Nasceu do reconhecimento de padrões e da teoria de que os computadores podem aprender sem serem programados para executar tarefas específicas; pesquisadores interessados em inteligência artificial queriam ver se os computadores poderiam aprender com os dados. O aspecto iterativo do aprendizado de máquina é importante porque, à medida que os modelos são expostos a novos dados, eles podem se adaptar de forma independente. Eles aprendem com cálculos anteriores para produzir decisões e resultados confiáveis e repetíveis. É uma ciência que não é nova - mas que ganhou novo impulso (DOMINGOS, 2012).
Embora muitos algoritmos de Machine Learning existam há muito tempo, a capacidade de aplicar automaticamente cálculos matemáticos complexos a big data - repetidamente, cada vez mais rápido - é um desenvolvimento recente (PEDREGOSA, 2011). Exemplos amplamente divulgados de aplicativos de Machine Learning:
· O carro do Google: altamente empolgado e autônomo. A essência do Machine Learning;
· Ofertas de recomendação on-line: como as da Amazon e Netflix, que são aplicativos de Machine Learning para a vida cotidiana;
· Twitter: Machine Learning combinado com criação de regras linguísticas.;
· Detecção de fraude: um dos usos mais óbvios e importantes no mundo hoje.
O ressurgimento do interesse pelo Machine Learning se deve aos mesmos fatores que tornaram a mineração de dados e a análise bayesiana mais populares do que nunca. Coisas como o aumento de volumes e variedades de dados disponíveis, processamento computacional mais barato e mais poderoso e armazenamento de dados acessível (MAYER-SCHÖNBERGER, 2013).
Tudo isso significa que é possível produzir rápida e automaticamente modelos que possam analisar dados maiores e mais complexos e fornecer resultados mais rápidos e precisos - mesmo em uma escala muito grande. E, ao criar modelos precisos, uma organização tem mais chances de identificar oportunidades lucrativas - ou evitar riscos desconhecidos (CAVALLINI, 2008).
Para obter o máximo de valor do Machine Learning, é necessário saber emparelhar os melhores algoritmos com as ferramentas e processos corretos. As aplicações do Machine Learning incluem:
· Mecanismo de pesquisa na Web: Uma das razões pelas quais mecanismos de pesquisa como google, bing etc. funcionam tão bem é porque o sistema aprendeu a classificar as páginas por meio de um algoritmo de aprendizado complexo (MAYER-SCHÖNBERGER, 2013).
· Aplicativos de marcação de fotos: seja no Facebook ou em qualquer outro aplicativo de marcação de fotos, a capacidade de marcar amigos torna ainda mais realidade. Tudo isso é possível por causa de um algoritmo de reconhecimento de rosto executado atrás do aplicativo (BORDA, 2011).
· Detector de spam: agente de e-mail, como o Gmail ou o Hotmail, trabalha muito duro para classificar os e-mails e mover os e-mails de spam para a pasta de spam. Isso é novamente alcançado por um classificador de spam em execução no aplicativo de back-end do correio (MAYER-SCHÖNBERGER, 2013).
As empresas estão usando o Machine Learning para melhorar as decisões de negócios, aumentar a produtividade, detectar doenças, e fazer muito mais. Com o crescimento exponencial da tecnologia, não se precisa somente apenas de ferramentas melhores para entender os dados que se tem atualmente, mas também é preciso se preparar para os dados que se obterá (BORDA, 2011).
Para atingir esse objetivo, é necessário construir máquinas inteligentes. A melhor maneira de fazer isso é ter alguma maneira de as máquinas aprenderem as coisas elas mesmas. Um mecanismo de aprendizado - se uma máquina pode aprender com a entrada, ela faz o trabalho duro (TORRES, 2009).
4 RELAÇÃO DO MACHINE LEARNING COM O MARKETING DIGITAL
Embora os efeitos futuros do Machine Learning para profissionais de marketing digital ainda não sejam totalmente previsíveis, eles já estão tendo um impactono cenário do marketing digital. As Ferramentas de Machine Learning são capazes de analisar quantidades extremamente grandes de dados e fornecer análises ou resultados compreensíveis que as equipes de marketing podem usar em proveito próprio. As empresas que já usam ferramentas de ML têm mais tempo para se concentrar em outras áreas e usar o conhecimento adquirido em seu proveito (MAYER-SCHÖNBERGER, 2013).
A publicidade programática é a compra automatizada de espaço de anúncio digital usando algoritmos de computador. No passado, a compra de mídia era um processo principalmente manual. Foram necessárias inúmeras horas de lances e classificação no inventário de mídia para encontrar as melhores oportunidades de publicidade (BORDA, 2011).
Agora, não foram apenas criados softwares para automatizar a compra de anúncios. Agora, a Inteligência Artificial está sendo empregada para agregar valor à publicidade programática, como encontrar a combinação ideal entre compradores e vendedores, bem como encontrar o público-alvo mais ideal para vários produtos (TORRES, 2009).
A maneira como o Machine Learning é usado nas práticas de marketing digital ajuda a ampliar o entendimento de seus consumidores-alvo e a promover e aprimorar a interação com eles (PINHEIRO, et al. 2013). Além do mais, o Machine Learning já está sendo implementado nos departamentos de marketing digital em todo o mundo. As implicações incluem o uso de dados, conteúdo e canais online para aumentar a produtividade e entender melhor o público-alvo. Alguns exemplos de como o Machine Learning pode alimentar a estratégia digital: 
· Marketing de conteúdo: profissionais de marketing digital, blogueiros e empresas de todos os tamanhos começaram a criar conteúdo de todos os tipos para atrair seu público. Sejam posts informativos, vídeos de depoimentos de clientes ou seminários on-line gravados - o conteúdo está em toda parte on-line (SMOLA, et al. 2008).
· Link Building: que foca na relevância do grupo-alvo; em contar histórias envolventes e cativantes; na capacidade de desencadear uma ação ou resposta (PINHEIRO, et al. 2013).
· Gerenciamento de conteúdo: é necessário criar relacionamentos significativos com clientes em potencial e clientes. Ao tentar otimizar o diálogo e desenvolver o envolvimento em várias plataformas online, as ferramentas de Machine Learning podem ser muito úteis para analisar quais tipos de conteúdo, palavras-chave e frases são mais relevantes para o público-alvo desejado (TORRES, 2009).
O marketing digital é uma indústria pronta para novas oportunidades e desafios. Se o objetivo dos profissionais de marketing digital é aumentar o envolvimento e a conscientização da marca com os leads, é importante que eles entendam seus clientes. O Machine Learning não substitui os trabalhos de marketing digital existentes. Em vez disso, ajudará a expandir as capacidades do profissional de marketing digital moderno, fornecendo uma base que lhes permita atingir todo o seu potencial (KUFF CONSTANTINO; MARTINS GARCIA, 2018).
No caminho para o futuro digital, máquinas e pessoas trabalharão juntas para levar as iniciativas de marketing para o próximo nível. Os produtos ou serviços de marketing não serão campanhas incansáveis para criar, selecionar e compartilhar informações de qualidade. Em vez disso, os profissionais de marketing digital poderão espalhar o conhecimento da marca de maneira mais eficiente e pessoal do que nunca (MADEIRA; NEVES; DANIEL DE JESUS, 2020).
4.1 EXPERIÊNCIA APRIMORADA DO CLIENTE
No marketing tradicional, o objetivo dos profissionais de marketing costumava ser convencer o maior número possível de pessoas a consumir um produto ou serviço. Poucos profissionais de marketing prestaram atenção às experiências individuais dos consumidores. No entanto, o advento da internet mudou as coisas e agora a experiência do usuário é crucial em qualquer campanha de marketing (CINTRA, 2010). 
Os profissionais de marketing digital podem obter experiência aprimorada do cliente empregando os serviços de uma empresa de desenvolvimento full stack que possui um profundo conhecimento da IA ​​e seu potencial. Curiosamente, estudos mostram que o aprendizado de máquina é a ferramenta ideal para usar em uma campanha de marketing que visa aumentar a experiência do usuário dos consumidores. Particularmente, o ML é benéfico quando se trata de melhorar a experiência de compra dos clientes online (SATHYA, et al. 2013).
4.2 APROVEITAR O FEEDBACK PARA OTIMIZAR O CONTEÚDO
Todos os dias, os profissionais de marketing digital precisam lidar com conteúdo que não se conecta com o público-alvo. Dado o tamanho da população-alvo, é impossível para um profissional de marketing saber exatamente o que cada consumidor deseja. Mesmo que cada consumidor oferecesse seu feedback, um comerciante não seria capaz de ler cada item. Felizmente, IA e ML fornecem soluções. Usando a tecnologia, os profissionais de marketing podem automatizar algumas dessas atividades, como a análise de feedback, para facilitar a otimização do conteúdo de marketing (MADEIRA; NEVES; DANIEL DE JESUS, 2020).
4.3 ENVOLVER DO CLIENTE
Muitos visitantes de sites não sabem exatamente o que procuram. Como tal, eles precisam de orientação, o que podem ser alcançados por meio de perguntas e respostas. O tempo que as perguntas levam antes de serem respondidas é muito importante para os visitantes. No entanto, os profissionais de marketing não podem responder a todas as perguntas de milhões de visitantes. Os profissionais de marketing que utilizam chatbots baseados em IA são capazes de envolver seus clientes 24 horas por dia, 7 dias por semana (PINHEIRO, et al. 2013).
4.4 AUTOMATIZAR A CRIAÇÃO DE CONTEÚDO
Além da conversão, essas tecnologias podem criar conteúdo inteligente mais rápido do que os humanos. Em vez de gastar muito tempo e dinheiro para criar conteúdo de marketing, os profissionais de marketing digital podem usar a IA de conversação para automatizar algumas tarefas. Por exemplo, a tecnologia pode ajudar na pesquisa do tema e preparação de resumo a ser usado na criação de conteúdo (SATHYA, et al. 2013).
4.5 EVITAR ERROS
Os erros custam caro para os profissionais de marketing. No entanto, errar é inevitável para qualquer sistema que depende amplamente do esforço e da inteligência humana. Felizmente, a IA e o ML apresentam uma ótima solução ao automatizar atividades cruciais como a análise de dados de marketing. Muitas vezes, os humanos ficam limitados ao lidar com grandes conjuntos de dados. Considerando que a quantidade de dados que os profissionais de marketing lidam só vai aumentar, há necessidade de sistemas que forneçam insights úteis sem cometer erros. Os sistemas de IA usam algoritmos inteligentes desenvolvidos e aprimorados ao longo dos anos (MADEIRA; NEVES; DANIEL DE JESUS, 2020). 
Assim, um profissional de marketing não pode esperar que o sistema cometa algo errado. Por exemplo, não há como um sistema de IA errar o nome de um cliente. Uma vez que os dados estão no banco de dados, o sistema tem uma taxa de recuperação de 100%. Além disso, a IA pode ajudar a evitar erros que surgem de dados desatualizados ou duplicados. Um software de IA pode identificar e corrigir esses problemas para garantir que as previsões e percepções desenvolvidas a partir dos dados sejam precisas (PINHEIRO, et al. 2013).
5 PREDIÇÃO DE CHURN
A previsão de Churn significa detectar quais clientes têm probabilidade de deixar um serviço ou cancelar a assinatura de um serviço. É uma previsão crítica para muitas empresas porque adquirir novos clientes muitas vezes custa mais do que manter os existentes. Depois de identificar os clientes que estão em risco de cancelamento, é preciso saber exatamente qual ação de marketing realizar para cada cliente individual para maximizar as chances de que o cliente permaneça (LUIZON, 2019).
Em suma, clientes diferentes exibem comportamentos e preferências diferentes, então eles cancelam suas assinaturas por vários motivos. É fundamental, portanto, comunicar-se de forma proativacom cada um deles para mantê-los em sua lista de clientes (CARLOS SILVA JÚNIOR, 2021).
A rotatividade de clientes é um problema comum em empresas de muitos setores. Se uma empresa deseja crescer, esta tem que investir na conquista de novos clientes. Cada vez que um cliente sai, representa uma perda significativa de investimento. Tanto tempo quanto esforço precisam ser canalizados para substituí-los. Ser capaz de prever quando é provável que um cliente saia e oferecer-lhe incentivos para ficar pode representar uma grande economia para uma empresa (SAIAS et al., 2018).
Como resultado, entender o que mantém os clientes engajados é um conhecimento extremamente valioso, pois pode ajudá-lo a desenvolver suas estratégias de retenção e a implementar práticas operacionais destinadas a impedir que os clientes saiam pela porta (CARLOS SILVA JÚNIOR, 2021).
As técnicas de modelagem de previsão de rotatividade tentam entender os comportamentos e atributos precisos do cliente que sinalizam o risco e o momento de saída do cliente. Não é uma tarefa de passeio no parque, então menciono apenas quatro pontos a serem considerados (MARTINS, 2021).
· Para ter sucesso na retenção de clientes que estão prontos para abandonar seu negócio, os especialistas em marketing e sucesso do cliente devem ser capazes de prever com antecedência quais clientes irão se desligar e definir um plano de ações de marketing que terá o maior impacto de retenção em cada cliente. A chave aqui é ser proativo e interagir com esses clientes. Embora simples em teoria, as realidades envolvidas em atingir essa meta de “retenção proativa” são extremamente desafiadoras (SILVA, 2017).
· A precisão da técnica é crítica para o sucesso de qualquer esforço de retenção proativo. Se o profissional de marketing não tiver conhecimento de um cliente prestes a se desligar, nenhuma ação será tomada para retê-lo (CARLOS SILVA JÚNIOR, 2021).
· Ofertas ou incentivos especiais com foco na retenção podem ser fornecidos para clientes felizes e ativos, resultando em receitas reduzidas sem um bom motivo (DA SILVA, et al., 2021).
· Seu modelo de previsão de rotatividade deve se basear em dados (quase) em tempo real para quantificar o risco de rotatividade, não em dados estáticos. Embora uma determinada empresa seja capaz de identificar uma certa porcentagem de clientes em risco até mesmo com dados estáticos, suas previsões serão imprecisas (SUZUKI, 2011).
 
Reunir tudo isso e prever a rotatividade do cliente é importante. Ações eficazes podem ser tomadas para reter o cliente antes que seja tarde demais. A capacidade de prever que um cliente está sob alto risco de abandono enquanto ainda há tempo para fazer algo a respeito representa uma enorme fonte de receita potencial adicional para todos os negócios online (CARLOS SILVA JÚNIOR, 2021).
5.1 ROTATIVIDADE DE CLIENTES
A rotatividade de clientes é um dos pontos de dados mais vitais para as empresas rastrearem. A análise de rotatividade do cliente ajuda a identificar os estágios principais da jornada do cliente em que as pessoas estão caindo, permitindo que se identifique estratégias específicas para melhorar suas interações com sua marca e aumentar a fidelidade à marca (LUIZON, 2019).
A rotatividade de clientes é a taxa a que os clientes deixam em uma determinada empresa. Isso pode ocorrer por vários motivos, como mudar para um concorrente, cancelar sua assinatura devido a um atendimento ao cliente ruim, interromper todo o contato com uma marca devido a poucos pontos de contato, etc. A análise de rotatividade de clientes é importante por motivos óbvios: clientes perdidos significa uma perda direta de receita. Para entender a quantidade de perda de negócios, pode-se usar a métrica da taxa de rotatividade (SUZUKI, 2011).
5.1.1 Cálculo da taxa de rotatividade 
A taxa de rotatividade é uma métrica de negócios que calcula o número de clientes que deixam um produto durante um determinado período de tempo, dividido pelo total de clientes restantes. A rotatividade do cliente é vital para entender a saúde e a estabilidade de uma empresa, mas calculá-la pode ser desnecessariamente complexo (CINTRA, 2021).
A fórmula da taxa de rotatividade pode ser calculada como o número de rotações dividido pelo número total de clientes. Onde o número de clientes cancelados é quantas pessoas deixaram um determinado serviço durante o período em relação ao número total de clientes que se teve durante o período (SUZUKI, 2011).
6 ALGORITMOS APLICADOS AOS DADOS DE MARKETING PARA RETENÇÃO DE CLIENTES
A implementação do aprendizado de máquina em marketing está continuamente encontrando novos fundamentos. Atualmente, os profissionais de marketing podem usar algoritmos de aprendizado de máquina nas seguintes áreas:
· Marketing de conteúdo - Ao longo dos anos, as empresas vêm tentando criar conteúdo voltado para engajar o público-alvo. Junto com a narrativa atraente e sua capacidade de desencadear uma resposta, um outro elemento que determina a eficácia do conteúdo é sua relevância. Por meio do rastreamento de tendências e de sugestões de conteúdo, as ferramentas de aprendizado de máquina permitem otimizar seu conteúdo com base no público-alvo (CRISTIAN, 2017).
· Comportamento preditivo do cliente - Os algoritmos de aprendizado de máquina podem ajudar os profissionais de marketing a prever o comportamento do cliente. Quando se trata de decisões de compra, a maioria delas não se baseia em uma lógica claramente definida. Intuição, cultura, emoções e confiança desempenham um grande papel. As pessoas tendem a se comportar da mesma maneira, comprar os mesmos itens e seguir as mesmas intuições. Existem algoritmos especificamente desenvolvidos para aprender o padrão de um cliente e ajudar a criar automação para aumentar as taxas de conversão (DOMINGOS, 2017).
· Melhorar a experiência do cliente - Este é um dos poucos campos que o aprendizado de máquina é capaz de automatizar quase completamente. Os algoritmos são capazes de reconhecer as solicitações dos clientes e encaminhá-las para o lugar certo. A Forbes afirma que 57% dos executivos acreditam que melhorar a experiência do cliente será o benefício de crescimento mais importante do aprendizado de máquina. Recursos como chatbots já estão sendo usados ​​para automatizar total ou parcialmente os processos de atendimento ao cliente. Eles automatizam tarefas rotineiras, respondem a perguntas frequentes e também criam uma experiência de atendimento ao cliente personalizada (KIULIAN, 2017).
· Publicidade - A análise de dados do cliente e as previsões feitas por algoritmos de aprendizado de máquina possibilitam que os profissionais de marketing digital apresentem promoções-alvo que têm uma chance melhor de gerar melhores retornos sobre o investimento. Os algoritmos de reforço também ajudam com os canais de marketing nos quais os anúncios são mais bem colocados para conversão. Além de ajudá-lo a otimizar os tempos dos anúncios (SIEGEL, 2016).
· Retenção de clientes - Por meio de sua capacidade de simplificar as previsões de risco, o aprendizado de máquina pode ajudar a minimizar a rotatividade de clientes. A Harvard Business Review descobriu que novos clientes normalmente custam de 5 a 25 vezes mais do que manter os clientes atuais. Fornecer ao usuário atributos como sexo, idade e renda do cliente permitirá que o usuário preveja o tipo de cliente que provavelmente se desligará (CRISTIAN, 2017).
· Otimização de preços - Levando em consideração fatores como segmento de cliente, elasticidade de preço, posição do produto e período de vendas, um algoritmo de aprendizado de máquina pode ajudá-lo a otimizar o preço do produto. Isso torna possível estabelecer um preço competitivo para seus produtos de uma forma que não o coloque fora do mercado e, ao mesmo tempo, não afete os lucros do negócio (DOMINGOS, 2017).
· Previsão - O uso de algoritmos de aprendizado de máquina permite que o usuário preveja uma variedade de métricas. Isso permite que o usuário preveja a demanda do produto para otimizar seu estoque de maneiraeficaz. Com o aprendizado de máquina, o usuário não precisa mais se preocupar com a escassez de suprimentos, vendas perdidas ou excesso de oferta. Previsões precisas podem melhorar drasticamente os ganhos, permitindo que o usuário seja proativo e não reativo (CRISTIAN, 2017).
· Detecção de anomalias - O tempo de ação pode significar muito quando um sistema crítico fica inativo, mas ter os recursos disponíveis para monitorar todas as métricas ou sistemas críticos de negócios não é fácil. Os algoritmos de aprendizado de máquina são capazes de lidar com grandes volumes de dados e construir modelos altamente precisos que reduzem falsos positivos (KIULIAN, 2017).
Em termos gerais, existem 3 tipos de algoritmos de aprendizado de máquina
· Aprendizagem Supervisionada - este algoritmo consiste em uma variável alvo / resultado (ou variável dependente) que deve ser prevista a partir de um determinado conjunto de preditores (variáveis ​​independentes). Usando esse conjunto de variáveis, geramos uma função que mapeia as entradas para as saídas desejadas. O processo de treinamento continua até que o modelo atinja o nível desejado de precisão nos dados de treinamento (DOMINGOS, 2017). Sob a égide da aprendizagem supervisionada estão (KIULIAN, 2017): 
· Classificação: Em tarefas de classificação, o programa de aprendizado de máquina deve tirar uma conclusão dos valores observados e determinar a que categoria pertencem as novas observações. Por exemplo, ao filtrar emails como 'spam' ou 'não spam', o programa deve examinar os dados observacionais existentes e filtrar os emails de acordo.
· Regressão: em tarefas de regressão, o programa de aprendizado de máquina deve estimar - e compreender - as relações entre as variáveis. A análise de regressão se concentra em uma variável dependente e uma série de outras variáveis ​​ ​​- tornando-a particularmente útil para predição e previsão.
· Previsão: previsão é o processo de fazer previsões sobre o futuro com base nos dados do passado e do presente e é comumente usada para analisar tendências.
· Aprendizagem não supervisionada - neste algoritmo, não temos qualquer alvo ou variável de resultado para prever / estimar. É usado para agrupar a população em grupos diferentes, o que é amplamente usado para segmentar clientes em grupos diferentes para intervenções específicas. À medida que avalia mais dados, sua capacidade de tomar decisões sobre esses dados melhora gradualmente e se torna mais refinada (CRISTIAN, 2017). Sob a égide da aprendizagem não supervisionada, caem (DOMINGOS, 2017):
· Clustering: Clustering envolve agrupar conjuntos de dados semelhantes (com base em critérios definidos). É útil para segmentar dados em vários grupos e realizar análises em cada conjunto de dados para encontrar padrões.
· Redução de dimensão: a redução de dimensão reduz o número de variáveis ​​sendo consideradas para encontrar as informações exatas necessárias.
· Aprendizagem por reforço - Como funciona: usando este algoritmo, a máquina é treinada para tomar decisões específicas. Funciona assim: a máquina é exposta a um ambiente onde se treina continuamente por tentativa e erro. Esta máquina aprende com a experiência anterior e tenta capturar o melhor conhecimento possível para tomar decisões de negócios precisas. Exemplo de Aprendizagem por Reforço: Processo de Decisão Markov (CRISTIAN, 2017).
6.1 ALGORITMOS DE APRENDIZADO DE MÁQUINA MAIS COMUNS E POPULARES
· Algoritmo do Classificador Naïve Bayes (Aprendizagem Supervisionada - Classificação) - O classificador Naïve Bayes é baseado no teorema de Bayes e classifica cada valor como independente de qualquer outro valor. Ele nos permite prever uma classe / categoria, com base em um determinado conjunto de recursos, usando probabilidade. Apesar de sua simplicidade, o classificador se sai surpreendentemente bem e é frequentemente usado devido ao fato de superar métodos de classificação mais sofisticados (DOMINGOS, 2017).
· Algoritmo K Means Clustering (Unsupervised Learning - Clustering) - O algoritmo K Means Clustering é um tipo de aprendizado não supervisionado, que é usado para categorizar dados não rotulados, ou seja, dados sem categorias ou grupos definidos. O algoritmo funciona encontrando grupos dentro dos dados, com o número de grupos representado pela variável K. Ele então funciona iterativamente para atribuir cada ponto de dados a um dos K ​​grupos com base nos recursos fornecidos (SIEGEL, 2016).
· Algoritmo de máquina de vetor de suporte (Aprendizado supervisionado - Classificação) - Os algoritmos de máquina de vetor de suporte são modelos de aprendizagem supervisionada que analisam dados usados ​​para classificação e análise de regressão. Basicamente, eles filtram os dados em categorias, o que é conseguido ao fornecer um conjunto de exemplos de treinamento, cada conjunto marcado como pertencente a uma ou outra das duas categorias. O algoritmo então trabalha para construir um modelo que atribui novos valores a uma categoria ou outra (KIULIAN, 2017).
· Regressão linear (aprendizagem supervisionada / regressão) - A regressão linear é o tipo mais básico de regressão. A regressão linear simples nos permite entender as relações entre duas variáveis ​​contínuas (CRISTIAN, 2017). 
· Regressão logística (aprendizagem supervisionada - Classificação) - A regressão logística se concentra em estimar a probabilidade de um evento ocorrer com base nos dados anteriores fornecidos. É usado para cobrir uma variável dependente binária, ou seja, onde apenas dois valores, 0 e 1, representam os resultados (DOMINGOS, 2017).
· Redes Neurais Artificiais (Aprendizado por Reforço) - Uma rede neural artificial (RNA) compreende 'unidades' dispostas em uma série de camadas, cada uma das quais se conecta a camadas de cada lado. As RNAs são inspiradas por sistemas biológicos, como o cérebro, e como processam as informações. As RNAs são essencialmente um grande número de elementos de processamento interconectados, trabalhando em uníssono para resolver problemas específicos. ANNs também aprendem por exemplo e por meio da experiência, e são extremamente úteis para modelar relacionamentos não lineares em dados de alta dimensão ou onde o relacionamento entre as variáveis ​​de entrada é difícil de entender (KIULIAN, 2017).
· Árvores de Decisão (Aprendizagem Supervisionada - Classificação / Regressão) - Uma árvore de decisão é uma estrutura de árvore semelhante a um fluxograma que usa um método de ramificação para ilustrar todos os resultados possíveis de uma decisão. Cada nó na árvore representa um teste em uma variável específica - e cada ramificação é o resultado desse teste (SIEGEL, 2016).
· Florestas aleatórias (Aprendizado supervisionado - Classificação / regressão) - Florestas aleatórias ou 'florestas de decisão aleatória' é um método de aprendizagem por conjunto, combinando vários algoritmos para gerar mais bem resultados para classificação, regressão e outras tarefas. Cada classificador individual é fraco, mas quando combinado com outros, pode produzir resultados excelentes. O algoritmo começa com uma 'árvore de decisão' (um gráfico semelhante a uma árvore ou modelo de decisões) e uma entrada é inserida no topo. Em seguida, ele desce na árvore, com os dados sendo segmentados em conjuntos cada vez menores, com base em variáveis ​​específicas (CRISTIAN, 2017).
· Vizinhos mais próximos (aprendizado supervisionado) - O algoritmo K-vizinho mais próximo estima a probabilidade de um ponto de dados ser membro de um grupo ou de outro. Ele essencialmente olha os pontos de dados em torno de um único ponto de dados para determinar em qual grupo ele está realmente. Por exemplo, se um ponto está em uma grade e o algoritmo está tentando determinar em qual grupo esse ponto de dados está (Grupo A ou Grupo B, por exemplo) examinaria os pontos de dados próximos a ele para ver em qual grupo está a maioria dos pontos (DOMINGOS, 2017).
7 MATERIAIS E MÉTODOS
7.1 MARCO TEÓRICO 
O método adotado na formulação deste trabalho, encontra-se em concordância com a propostade estudo, a qual encontra-se adequada por meio dos objetivos a serem alcançados. O desenvolvimento da ciência tem como base o alcance de resultados que permite validar hipóteses sobre determinado acontecimento ou fato, presente em nossas vidas, ou não.
A pesquisa é de fundamental importância para a evolução dos conhecimentos em determinado campo de estudo, ou seja, por meio da pesquisa pode-se ampliar os horizontes de conhecimento sobre determinado tema.
7.1.1 Tipo de pesquisa
A metodologia adotada na formulação deste trabalho foi baseada em pesquisas bibliográficas, através de consultas a livros, revistas, pesquisa de manuais, tratados, artigos publicados na internet. 
A pesquisa bibliográfica procura explicar e discutir um tema com base em referências teóricas publicadas em livros, revistas, periódicos e outros. Busca também, conhecer e analisar conteúdos científicos sobre determinado tema.
Para o presente estudo, utilizou-se os critérios de citações, pesquisas relacionadas ao tema, artigos que apresentam o tema em questão, artigos que não apresentam o tema, teses, dissertações além de textos, artigos e citações traduzidas. 
7.1.2 Procedimentos de coleta
A coleta de dados fora desenvolvida seguindo as seguintes premissas: Leitura exploratória de todo o material selecionado, seja leitura objetiva ou uma leitura rápida, a fim de se verificar se a obra é de interesse para a presente pesquisa. 
Além deste modelo de leitura, fora adotada, o modelo de leitura seletiva, a qual consiste em uma leitura com uma maior profundidade, buscando o material consistente para o trabalho. Por fim, fora realizado o registro das informações extraídas das fontes, sendo especificadas no trabalho, com nome e ano de publicação. 
7.1.3 Análise de interpretação dos resultados
Nesta última etapa, fora realizada uma leitura analítica de todo o material, tendo por finalidade a ciência de ordená-lo e sumariar as informações pesquisadas e elaboradas. Neste processo, fora levado em consideração as informações que possibilitassem obter a resposta do problema de pesquisa, por meio dos objetivos gerais e específicos.
7.2 ESTUDO DE CASO
	
	Descreverei passo a passo meu estudo de caso
8 RESULTADOS 
9 CONSIDERAÇÕES FINAIS
REFERÊNCIAS
ARANTES, Viviane Dantas. E-commerce: A expansão do segmento no Brasil e o comportamento do consumidor. Monografia. Especialização em Estética e Gestão de Moda. UNIVERSIDADE DE SÃO PAULO. São Paulo, 2016.
BORDA, M. Statistical and informational model of an its. In: Fundamentals in Information Theory and Coding. [S.l.]: Springer, 2011.
CARLOS SILVA JÚNIOR, Antônio. Ordenação de Algoritmos para Modelagem Preditiva de Churn: Analisando o Problema a Partir dos Métodos Sapevo-M e Vikor. Revista FSA, v. 18, n. 5, 2021.
CARMO, Elsione Lisboa Xavier; MANZKE, Lougan Ivair. E-commerce – venda e compra digital. 2018. Disponível em: <http://tcconline.fag.edu.br:8080/app/webroot/files/trabalhos/20181218-233402.pdf>. Acesso em: 4 de janeiro de 2022.
CAVALLINI, R. O Marketing depois de amanhã. São Paulo: Ed. do Autor, 2008.
CERRI, Ricardo; DE CARVALHO, André Carlos Ponce de Leon Ferreira. APRENDIZADO DE MÁQUINA: BREVE INTRODUÇÃO E APLICAÇÕES. Cadernos de Ciência & Tecnologia, Brasília, v. 32, ed. 3, p. 297-313, 2017.
CHUN, Se-Hak. E-commerce liability and security breaches in mobile payment for e-business sustainability. Sustainability, v. 11, n. 3, p. 715, 2019.
CINTRA, Ana Carolaine Hipollito. Análise de sobrevivência em marketing, considerando o modelo exponencial com fragilidade compartilhada, na predição de churn. UFSCAR, 2021.
CINTRA, Flávia Cristina. Marketing digital: a era da tecnologia on-line. Investigação, São Paulo, v. 10, n. 1, p. 6-12. 2010.
COMBE, Colin. Introduction to E-business Management and strategy. Butterworth-Heinemann, Burlington. 2006.
CRISTIAN, Brian; GRIFFITHS, Tom. Algoritmos para viver: a ciência exata das decisões humanas. São Paulo: Companhia das Letras, 2017.
DA SILVA, Letícia Aparecida; FOGO, José Carlos. Aplicação de classificadores múltiplos associados a árvores de decisões na predição de churn. In: XXVII CIC e XII CIDTI. 2021.
DE ANDRADE, Marta Cleia Ferreira; SILVA, Naiara Gonçalves. O comércio eletrônico (e-commerce): um estudo com consumidores. Perspectivas em Gestão & Conhecimento , v. 7, n. 1, pág. 98-111, 2017.
DOMINGOS, P. A few useful things to know about machine learning. Communications of the ACM, ACM, v. 55, n. 10, p. 78–87, 2012.
DOMINGOS, Pedro. O algoritmo mestre: como a busca pelo algoritmo de machine learning definitivo recriará nosso mundo. São Paulo: Novatec, 2017.
ESCURSELL, Sílvia; LLORACH-MASSANA, Pere; RONCERO, M. Blanca. Sustainability in e-commerce packaging: A review. Journal of cleaner production, v. 280, p. 124314, 2021.
GUO, Yan. Mobile e-commerce recommendation system based on multi-source information fusion for sustainable e-business. Sustainability, v. 10, n. 1, p. 147, 2018.
KIULIAN, Artur. Robot is the boss: how to do business with Artificial Intelligence. Los Angeles: Artur Kiulian, 2017.
KUFF CONSTANTINO, Rafaela Flores; MARTINS GARCIA, Ricardo Alexandre. Utilização do machine learning para tomada de decisões na gestão de marketing digital para turismo. Observatorio de la Economía Latinoamericana, n. octubre, 2018.
LORENA, Ana Carolina; GAMA, João; FACELI, Katti. Inteligência Artificial: Uma abordagem de aprendizado de máquina. Grupo Gen-LTC, 2011.
LUIZON, Bruna Franciany Girata. Análise preditiva de churn em um e-commerce. UFPR, 2019.
MADEIRA, Afonso Celso Magalhães; NEVES, Barbara Coelho; DANIEL DE JESUS, B. C. O Uso da Inteligência Artificial Aplicada ao Marketing Digital. Journal of Digital Media & Interaction, v. 3, n. 8, p. 95-111, 2020.
MARTINS, Lucas Gomes. Aplicação de um modelo de aprendizagem de máquina para predição de churn: um estudo de caso. UFC, 2021.
MAYER-SCHÖNBERGER, V.; CUKIER, K. Big Data. Edição traduzida. Rio de Janeiro: Elsevier, 2013.
OTOO, Anthony Akai Acheampong; OTOO, C. O. A.; ANTWI, M. O. Influence on organisational factors on E-business value and E-commerce adoption. International Journal Science Research Science Engineering Technology, v. 6, n. 5, p. 264-276, 2019.
PEDREGOSA, F. Scikit-learn: Machine learning in python. Journal of Machine Learning Research, v. 12, n. Oct, p. 2825–2830, 2011.
PINHEIRO, D.; GULLO, J. Comunicação integrada de marketing: gestão dos elementos de comunicação: suporte às estratégias de marketing e de negócios da empresa: fundamentos de marketing e visão de empresa/Duda Pinheiro, José Gullo. – 4. ed. – São Paulo: Atlas, 2013.
RODRIGUES, Daniel Fredo. Um estudo sobre o gerenciamento de churn e a fidelização de clientes em uma empresa de telecomunicação. Trabalho de conclusão de curso em Administração. Universidade Federal do Rio Grande do Sul. Porto Alegres,2020.
SAIAS, José; RATO, Luis; GONÇALVES, Teresa. Estudo sobre a Predição de Churn. UEVORA, 2018.
SATHYA, R.; ABRAHAM, A. Comparison of supervised and unsupervised learning algorithms for pattern classification. Int. J. Adv. Res. Artificial Intell, Citeseer, v. 2, n. 2, p. 34–38, 2013.
SIEGEL, E. Predictive analytics: the power to predict who will click, buy, lie, or die. Edição revisada. Hoboken: Wiley, 2016.
SILVA, Lauren Paese Martins da. O mercado de produtos digitais: um estudo de Churn de migrados de assinatura de jornal. UFRGS, 2017.
SMOLA, A.; VISHWANATHAN, S. Introduction to machine learning. Cambridge University, UK, v. 32, p. 34, 2008.
STOUTHUYSEN, Kristof. A 2020 perspective on “The building of online trust in e-business relationships”. Electronic Commerce Research and Applications, v. 40, p. 100929, 2020.
SUZUKI, Marcelo. Modelagem de churn a partir de registros de solicitações de reparo de clientes. FGV, 2011. Tese de Doutorado.
TEIXEIRA, Tarcisio. Comercio Eletrônico-Conforme o Marco Civil da Internet e a religião típica do e-commerce no Brasil. Saraiva Educação SA, 2017.
Torezani, Nathália. O crescimento do e-commerce no Brasil. Disponível em: <https://www.ecommercebrasil.com.br/artigos/o-crescimento-do-e-commerce-no-brasil/>.Acesso em: 4 de janeiro de 2022.
TORRES, C. Bíblia do Marketing Digital. São Paulo: Novatec, 2009.
VAZ, C. A. Os 8 Ps do Marketing Digital – o seu guia estratégico de marketing digital. São Paulo: Novatec, 2011