Aprendizado de máquina aplicado para a predição dos prospects mais propensos à compra

Abstract

A Flex trabalha, principalmente, com vendas através do telefone. A empresa recebe de um cliente uma lista que contém dados de potenciais compradores, chamados de prospects ou leads. Há uma área chamada Command Post na qual há um analista que, de acordo com os dados históricos, classifica e cria regras para definir os perfis mais propensos a comprar. Assim, é priorizado o contato com essas pessoas, as quais podem ser encaminhadas para os melhores vendedores, aumentando a chance de venda. Uma dificuldade é que para um ser humano é complexo associar diversas variáveis, fazendo com que haja uma generalização exagerada e sejam realizadas algumas classificações enviesadas. A abordagem do projeto consistiu em utilizar aprendizado de máquina para analisar os dados históricos e classificar os prospects com a sua propensão à compra, pois como o algoritmo associa diversas variáveis a classificação seria melhor e mais eficiente. Foram realizados testes com diversos algoritmos, porém, apesar de possuírem uma performance melhor que a de uma pessoa, ainda há diversos casos que não são identificados corretamente pelo algoritmo.

Flex is mostly a phone-sales company. The company's clients sends over a list with potential buyers (also called prospects or leads) and some information about them. There's a department in the company called Command Post, in which an analyst classifies and creates rules defining the profiles that are more likely to buy according to their buying records. Therefore, the contact with these leads is prioritized. Also, these people are assigned to the best salesmen, increasing the sale chance. However, it is difficult for a human being to associate many variables, so there can be an exaggerated generalization and some of the clients' classifications can be misplaced. The project's approach consisted in using a machine learning technique to analyze historical data and more efficiently classificate prospects according to their buying probability, since the algorithm is capable of associating numerous variables. Many algorithms were tested and their performances were better than a person's, but there are still many cases that are not correctly identified by the algorithm.