PT
A otimização de direct marketing, visa maximizar lucros e reduzir custos. Este estudo investigou a previsão dos montantes financiados de empréstimos após a comunicação de marketing, comparando esses resultados com a previsão da resposta em termos de receita em menores amostras de clientes.
Neste estudo foram utilizados dados de campanhas de marketing direto de uma empresa de finanças pessoais entre 2019 e 2021. Foram comparadas técnicas de seleção de variáveis e diferentes algoritmos, incluindo Random Forest, Xgboost e Redes Neuronais, para prever respostas e montantes financiados. Métricas como AUC, precisão, recall, MAE e R² foram usadas para variáveis categóricas e numéricas. Dada a raridade de respostas positivas, o estudo abordou o desequilíbrio de dados, aplicando técnicas como SMOTE, subamostragem e uma abordagem de bagging, melhorando consideravelmente as previsões do modelo. A transformação de Box Cox foi utilizada para lidar com assimetria nos montantes financiados, e foram explorados a afinação de hiperparâmetros e funções de perda personalizadas. O estudo destaca o valor adicional de prever o valor do cliente em marketing direto, permitindo otimizar a receita quando se pretende reduzir número de contactos. A adequação da abordagem depende de restrições como tempo, recursos, orçamento e volume mínimo de comunicações. Se houver recursos, a previsão do valor do cliente fornece informações valiosas à tomada de decisão, mesmo que não seja usada para limitar o número de comunicações. Esta pesquisa oferece um quadro para otimizar estratégias de telemarketing, equilibrando lucro e eficiência de recursos.
EN
The optimization of direct marketing aims to maximize profits and reduce costs.
This study investigated predicting the financed amounts of loans following marketing communication, comparing these results with response prediction in terms of revenue with smaller customer samples. Data from direct marketing campaigns of a personal finance company between 2019 and 2021 were utilized. Variable selection techniques and algorithms, including Random Forest, Xgboost, and Neural Networks, were compared to predict responses and financed amounts. Metrics such as AUC, precision, recall, MAE, and R-squared were used for both categorical and numerical variables. Due to the rarity of positive responses, the study addressed data imbalance by applying techniques like SMOTE, undersampling, and a bagging approach, significantly enhancing model predictions. The Box Cox transformation was employed to address skewness in financed amounts, and hyperparameter tuning and custom loss functions were explored. The study emphasizes the added value of predicting customer value in direct marketing, enabling revenue optimization when aiming to reduce the number of contacts. The appropriateness of the approach depends on constraints like time, resources, budget, and minimum communication volume. When resources allow, predicting customer value offers valuable insights for decision-making, even if not used to limit the number of communications. This research provides a framework for optimizing telemarketing strategies, balancing profit and resource efficiency.
