Aplicação de técnicas de machine learning não-supervisionadas para apoio à área de customer success em uma empresa de consultoria em tecnologia

Abstract

Diante da crescente demanda e expectativas dos clientes, especialmente no mercado B2B (business to business) e mais especificamente em empresas que oferecem soluções complexas, compreender as dimensões cruciais da qualidade de serviço torna-se essencial para garantir a satisfação e fidelidade de tais clientes, ressaltando a importância do CSM (Customer Success Management). Nesse sentido, técnicas que possibilitem a categorização dos clientes com base em similaridades e particularidades em seus perfis oferecem insights valiosos para a formulação de estratégias personalizadas de atendimento a cada grupo. Assim, o presente artigo propõe a aplicação de duas técnicas de machine learning não-supervisionadas para melhor caracterização da base de clientes de uma consultoria em tecnologias para gestão da produção: análise de cluster e PCA (Principal Component Analysis). O PCA possibilita a identificação das variáveis mais relevantes para caracterização de clientes em relação ao uso das soluções. Por outro lado, a análise de cluster gera agrupamentos de clientes com base em suas similaridades, abordando aspectos como qualidade percebida e nível de serviço. Quanto aos resultados, a metodologia reteve 5 componentes principais, explicando cerca de 78,74% da variância entre os clientes, e resultou na formação de 5 clusters com um SI (Silhouette Index) médio de 0,5328. Esses agrupamentos permitiram o desenvolvimento de estratégias específicas para maximizar o resultado dos clientes em cada grupo, incluindo colaboração e co-criação, desenvolvimento de parcerias estratégicas, mapeamento de necessidades e desenvolvimento de cronogramas de comunicação proativa.