Vitor da França Souza; Alexandre Duarte

DOI: 10.22167/2675-6528-202603960

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Construiu-se uma arquitetura analítica para compreender e predizer o comportamento de compra de clientes de um provedor de cursos livres preparatórios. O objetivo foi integrar segmentação RFM, modelagem de transições por Cadeias de Markov e predição de propensão por Regressão Logística, Random Forest e Gradient Boosting, sob a estrutura do CRISP-DM. Utilizaram-se dados transacionais de 7.123 clientes de um provedor de cursos livres, abrangendo novembro de 2022 a janeiro de 2026. A metodologia CRISP-DM guiou a segmentação RFM, a modelagem de transições por Cadeias de Markov e a predição de propensão à compra por modelos supervisionados (Regressão Logística, Random Forest e Gradient Boosting), com validação temporal ‘out-of-time’. A segmentação RFM revelou quatro perfis, com o segmento Muito Recorrente (25% da base) concentrando 60,5% da receita. A Cadeia de Markov indicou uma tendência de degradação da base no longo prazo, com o segmento Baixa Aquisição projetado para crescer de 25% para 31,3% no equilíbrio. Os modelos supervisionados alcançaram AUC entre 0,811 e 0,826, demonstrando que o poder preditivo reside nas variáveis RFM, com a recência emergindo como preditor dominante. Concluiu-se que a integração dessas abordagens fornece subsídios concretos para decisões estratégicas de retenção, segmentação e priorização de clientes em contextos educacionais, destacando a necessidade de ações estruturadas para reverter a degradação da base e a importância da recência na predição de recompra.

Palavras-chave: Cadeias de Markov; CRISP-DM; Predição de propensão; Random Forest; Segmentação RFM.

1. Introdução

Nos últimos anos, o volume de dados gerados por organizações cresceu de forma acelerada, impulsionando a necessidade de transformar esses dados em decisões de negócio. A Ciência de Dados consolidou-se como um campo interdisciplinar que articula estatística, aprendizado de máquina e conhecimento de domínio para extrair valor de bases complexas (Provost e Fawcett, 2013). No contexto brasileiro, essa tendência se reflete no aumento de programas de formação em analytics e na adoção crescente de abordagens orientadas por dados em setores como varejo, saúde e educação (Data Hackers; Bain & Company, 2025).

Em ambientes educacionais, a aplicação de técnicas analíticas ainda é incipiente quando comparada a setores como telecomunicações ou e-commerce (Cho et al., 2024). A necessidade de personalização insere-se na perspectiva da Economia da Atenção (Simon, 1971), onde indivíduos expostos a grande volume de informações precisam ser engajados de forma estratégica. No segmento de cursos preparatórios, que possui dinâmica própria de aquisição e fidelização, a compreensão do comportamento de compra é particularmente relevante, dada a sazonalidade associada a calendários de concursos e a oferta diversificada de produtos.

Para estruturar projetos analíticos de forma eficaz, a metodologia Cross Industry Standard Process for Data Mining (CRISP-DM) permanece como referência desde 1999 (Wirth e Hipp, 2000). Levantamentos indicam que aproximadamente 43% dos profissionais de dados a utilizam como processo principal (Saltz, 2020), e sua estrutura cíclica é considerada adequada para os desafios contemporâneos (Shimaoka, Ferreira e Goldman, 2024).

No campo da análise do comportamento do cliente, diversas abordagens são empregadas. A análise RFM (Recência, Frequência e Valor Monetário) constitui uma metodologia consolidada para segmentação de clientes (Fader e Hardie, 2009). Cadeias de Markov são utilizadas para modelar transições temporais entre segmentos (Pfeifer e Carraway, 2000), enquanto modelos de aprendizado supervisionado, como Regressão Logística e Random Forest, oferecem predição individual de propensão à compra (De Caigny et al., 2020).

Diante desse panorama, o presente trabalho formula a seguinte pergunta de pesquisa: é possível construir uma arquitetura analítica integrando segmentação RFM, modelagem por Cadeias de Markov e aprendizado supervisionado para compreender e predizer o comportamento de compra de clientes de um provedor de cursos livres? A relevância deste estudo reside em três dimensões complementares. Do ponto de vista acadêmico, ele contribui para um campo ainda incipiente, que é a aplicação integrada de segmentação comportamental, modelagem estocástica e aprendizado supervisionado no contexto educacional brasileiro. Metodologicamente, demonstra como a validação temporal rigorosa e a calibração empírica de matrizes de transição produzem resultados mais confiáveis do que abordagens teóricas. Praticamente, gera diagnósticos diretamente aplicáveis à gestão da base de clientes de um provedor real, com dados e métricas operacionalizáveis para campanhas de retenção e reativação. Assim, o objetivo geral é aplicar modelos de aprendizado de máquina integrados ao CRISP-DM para analisar e predizer o comportamento de clientes de um provedor de cursos livres. Os objetivos específicos compreendem: (i) segmentar a base por meio de análise RFM; (ii) modelar transições entre segmentos com Cadeias de Markov calibradas empiricamente; (iii) implementar Regressão Logística e Random Forest para predição de propensão com validação out-of-time; e (iv) sintetizar os achados em diagnóstico estratégico para gestão da base.

2. Material e Métodos

A pesquisa adotou uma abordagem quantitativa e aplicada, estruturada pela metodologia Cross Industry Standard Process for Data Mining (CRISP-DM). Essa metodologia guiou todas as etapas do projeto, desde a compreensão do negócio até a potencial implantação dos resultados, integrando segmentação de clientes, modelagem estocástica e aprendizado supervisionado. Na fase de Compreensão do Negócio, os objetivos estratégicos foram definidos em colaboração com a gestão do provedor, incluindo a identificação de clientes valiosos, análise de padrões de recompra, avaliação do risco de perda e criação de ferramentas de priorização para marketing. A pergunta de pesquisa e as hipóteses do estudo foram formuladas.

As fases de Compreensão e Preparação dos Dados envolveram a análise exploratória e o tratamento da base transacional. A base bruta continha 71.066 registros; 35.019 de produtos gratuitos e 8 sem identificação foram removidos, resultando em 36.039 transações de 7.123 clientes únicos. Python (Pandas, Matplotlib) foi utilizado para examinar a qualidade dos dados, identificar a concentração geográfica na Bahia e a diversidade de produtos. O e-mail foi definido como identificador único de cliente. Variáveis RFM (Recência, Frequência e Valor Monetário) e suas derivações foram construídas. Um corte temporal em 01/07/2025 dividiu os dados, essencial para evitar vazamento de informações.

A etapa de Modelagem aplicou três abordagens analíticas, iniciando pela segmentação da base de clientes via análise RFM. Pesos de 30% para Recência (invertida), 35% para Frequência e 35% para Valor Monetário foram atribuídos. Scores individuais foram normalizados com MinMaxScaler e combinados em um score composto por média aritmética ponderada. A classificação dos clientes foi feita em quatro segmentos por quartis: Baixa Aquisição, Regular, Intenso e Muito Recorrente.

Em seguida, as transições entre os segmentos RFM foram modeladas por Cadeias de Markov. A calibração empírica da matriz de transição seguiu o procedimento de Pfeifer e Carraway (2000). O período de treinamento (novembro de 2022 a junho de 2025) foi dividido em duas metades temporais de igual duração. Consideraram-se 1.103 clientes com transações em ambas as metades temporais. A matriz de transição P = [pij] foi estimada pela frequência relativa das migrações entre estados. Analisaram-se a distribuição estacionária (πP = π), a projeção temporal para dez períodos e métricas complementares (Ross, 2019).

Para a predição de propensão à compra, implementaram-se três modelos de aprendizado supervisionado: Regressão Logística, Random Forest e Gradient Boosting. A Regressão Logística foi treinada com regularização L2 e C=1,0 (James et al., 2021). O Random Forest utilizou 200 árvores (Breiman, 2001). O Gradient Boosting empregou 200 estimadores, com parâmetros de profundidade máxima, learning rate e subsample definidos (Friedman, 2001). A variável-alvo foi um indicador binário de compra nos 90 dias subsequentes ao corte temporal. As variáveis preditoras incluíram sete dimensões RFM, calculadas com dados anteriores ao corte.

Os dados para os modelos supervisionados foram divididos em 70% para treinamento e 30% para teste, com estratificação pela variável-alvo. As métricas de avaliação empregadas foram acurácia, precisão, revocação (recall), F1-Score e AUC-ROC, sendo esta última a métrica principal (Provost e Fawcett, 2013). O ambiente de desenvolvimento utilizado foi Python 3.x, com a biblioteca Scikit-learn. Na fase de Avaliação, os modelos foram confrontados com os objetivos de negócio. A fase de Implantação, no contexto acadêmico, consistiu na documentação dos achados em um arcabouço estratégico e na criação de um fluxo de processamento reprodutível em Python/Scikit-learn.

3. Resultados e Discussão

Os resultados da pesquisa revelaram uma arquitetura analítica integrada que permite compreender e predizer o comportamento de compra de clientes de um provedor de cursos livres preparatórios, conforme proposto pelo objetivo geral do estudo. A aplicação da metodologia CRISP-DM guiou a análise, desde a compreensão do negócio até a modelagem e avaliação, garantindo que os achados fossem relevantes e acionáveis. A integração da segmentação RFM, das Cadeias de Markov e dos modelos de aprendizado supervisionado forneceu uma visão multifacetada da dinâmica da base de clientes, confirmando as hipóteses levantadas.

A segmentação RFM, que constituiu o primeiro objetivo específico, classificou a base de clientes em quatro grupos de tamanho aproximadamente equivalente, utilizando quartis para Recência, Frequência e Valor Monetário. O achado mais expressivo foi a acentuada assimetria na distribuição da receita: o segmento “Muito Recorrente”, composto por 1.490 clientes (aproximadamente 25% da base), foi responsável por R$ 2.291.171,87, o que representa 60,5% da receita total. Essa concentração de valor excede a regra clássica de Pareto 80/20, conforme documentado por Anderson e Simester (2022), e reflete a natureza do negócio de cursos preparatórios, onde alunos engajados tendem a adquirir múltiplos produtos ao longo do tempo, acumulando um valor desproporcional.

A análise do ticket médio por segmento RFM demonstrou uma progressão monotônica, com os valores aumentando consistentemente dos segmentos de menor para os de maior recorrência. O segmento “Baixa Aquisição” apresentou um ticket médio de R$ 119,19, enquanto o “Muito Recorrente” alcançou R$ 323,13. Essa tendência é coerente com a teoria de que clientes mais engajados e fiéis tendem a investir em produtos mais completos e de maior valor. Para o provedor, essa observação sugere que estratégias de venda ampliada, como a oferta de turmas completas em vez de produtos avulsos, podem ser eficazes para elevar o ticket médio dos clientes nos segmentos intermediários, incentivando a progressão na jornada de compra.

A série temporal da receita, analisada ao longo de 32 meses, indicou uma tendência de crescimento, com aceleração notável entre os anos de 2023 e 2024. Esse padrão é compatível com modelos de difusão, como o de Bass (1969), e sugere que a expansão da receita decorre tanto da aquisição de novos clientes quanto da intensificação do consumo por parte dos clientes existentes. Contudo, a análise subsequente da recência revelou que, apesar do crescimento geral, a retenção de clientes representa um ponto de fragilidade que merece atenção estratégica, indicando a necessidade de intervenções para sustentar o crescimento a longo prazo.

Análise Multidimensional e Frequência de Compras

A comparação multidimensional entre os segmentos RFM confirmou uma separabilidade coerente, evidenciando distinções claras no comportamento dos clientes. A dispersão do valor total acumulado mostrou que o segmento “Muito Recorrente” possui uma média de valor 15 vezes superior à do segmento “Baixa Aquisição”, sublinhando a importância estratégica dos clientes de alto valor. A dispersão da recência, por sua vez, indicou que clientes “Muito Recorrentes” concentram suas compras em períodos inferiores a 400 dias, enquanto os de “Baixa Aquisição” exibem uma dispersão ampla, frequentemente excedendo 800 dias, refletindo um engajamento intermitente ou inexistente.

A distribuição de frequência de compras revelou uma assimetria positiva acentuada, com a maioria dos clientes concentrada em baixas frequências e uma cauda longa de clientes com muitas compras. A correlação entre frequência e valor total, com um coeficiente de 0,57, confirmou que a frequência de compra é um dos principais fatores determinantes do valor acumulado do cliente. Este achado reforça a importância de incentivar a recorrência para aumentar o valor total gerado por cada cliente ao longo do tempo, alinhando-se com a literatura que destaca a frequência como um pilar do valor do cliente (Fader e Hardie, 2009).

Um dado operacionalmente crítico emergiu da análise de frequência: 40,7% dos clientes na base analisada realizaram apenas uma única compra. Esse percentual excede o “threshold” de 40% considerado crítico por Reichheld e Schefter (2000) para programas de fidelidade. Para o provedor de cursos, essa alta taxa de compradores de única compra sugere uma evasão de receita potencial, que pode ser atribuída a falhas na integração pós-venda, na experiência pós-primeira compra ou a uma inadequação entre a expectativa do cliente e a entrega do produto, indicando a necessidade de ações de “onboarding” e retenção mais eficazes.

Recência, Retenção e Churn

A análise da recência revelou que 49,1% dos clientes estavam inativos há mais de um ano, o que representa uma parcela significativa da base. Apenas uma fração minoritária dos clientes mantinha atividade recente, indicando um desafio substancial na retenção. As taxas de retenção, calculadas com um “threshold” de 180 dias, variaram consideravelmente entre os segmentos. Embora o segmento “Muito Recorrente” apresentasse a taxa de retenção mais alta, ela ainda se encontrava abaixo dos valores de referência de 70-80% reportados para programas de fidelidade bem-sucedidos na literatura (Kumar e Shah, 2009).

A análise conjunta da recência e do valor total acumulado demonstrou que grande parte dos clientes inativos era composta por indivíduos de baixo valor, que nunca progrediram além de compras experimentais. Este padrão é consistente com modelos de aquisição de clientes (Blattberg et al., 2008), sugerindo que muitos clientes realizam uma compra inicial e não retornam. No entanto, também foi identificado um grupo de clientes que, apesar de terem demonstrado valor elevado no passado, cessaram suas compras. Esse grupo representa uma oportunidade concreta de reativação, com potencial de retorno econômico significativo para o provedor, justificando campanhas de marketing direcionadas.

Modelagem de Transições por Cadeia de Markov

A matriz de transição empírica, calibrada a partir de 1.103 transições observadas, revelou dinâmicas de movimentação entre os segmentos RFM que divergem de cenários teóricos otimistas. As probabilidades de permanência na diagonal principal da matriz indicaram que os segmentos extremos (“Baixa Aquisição” com 35,9% e “Muito Recorrente” com 34,2%) exibem maior inércia. Isso significa que clientes que nunca se engajaram tendem a permanecer inativos, enquanto clientes de alto valor tendem a manter seu padrão de compra, configurando dois polos de estabilidade na base.

Os segmentos intermediários, “Regular” (21,1%) e “Intenso” (21,8%), mostraram-se mais voláteis, com menores probabilidades de permanência. Essa volatilidade representa tanto um risco de degradação (regressão para segmentos inferiores) quanto uma oportunidade de progressão (migração para segmentos superiores). A probabilidade de um cliente “Muito Recorrente” migrar para “Baixa Aquisição” foi de 23,4%, um dado preocupante que indica que mesmo o segmento mais valioso não está imune ao desengajamento. Este achado ressalta a necessidade de monitoramento contínuo e ações proativas para reter clientes de alto valor.

Por outro lado, a probabilidade de um cliente do segmento “Baixa Aquisição” transitar para “Intenso” foi de 30,8%. Esse resultado é encorajador, pois sugere que uma parcela significativa de clientes inativos ou de baixo engajamento pode ser reativada com estímulos adequados e direcionados. A identificação desses potenciais de transição oferece ao provedor insights valiosos para desenvolver campanhas de reativação e “upselling” que visem mover os clientes para segmentos de maior valor e engajamento, otimizando o retorno sobre o investimento em marketing.

As métricas por estado, derivadas da dinâmica Markoviana, sintetizaram a trajetória da base. A probabilidade de melhoria do segmento foi decrescente à medida que o nível do segmento aumentava, o que é um resultado esperado, pois clientes em segmentos superiores têm menos margem para progredir. O tempo médio de residência em cada estado variou de 1,3 períodos para o segmento “Regular” a 1,6 períodos para “Baixa Aquisição”, indicando que nenhum estado é particularmente estável. Essa alta rotatividade entre os estados reforça a importância de um monitoramento contínuo da base de clientes e de intervenções estratégicas para influenciar as transições.

A hipótese H1, que postulava padrões comportamentais distintos e modeláveis por segmentação RFM e Cadeias de Markov, foi confirmada. A segmentação RFM capturou os perfis de clientes de forma eficaz, enquanto a Cadeia de Markov revelou uma tendência de degradação da base no longo prazo. Essa degradação é alimentada pela alta taxa de compradores de única compra (40,7%) que continuamente ingressam no segmento “Baixa Aquisição”, combinada com uma retenção insuficiente nos segmentos superiores para compensar esse influxo. A evolução temporal projetada da base de clientes demonstrou claramente essa trajetória de degradação, sublinhando a urgência de ações de retenção.

Predição de Propensão por Modelos Supervisionados

Três algoritmos de classificação supervisionados foram implementados e avaliados com validação temporal “out-of-time”: Regressão Logística, Random Forest e Gradient Boosting. A variável-alvo foi definida como um indicador binário de compra nos 90 dias subsequentes à data de corte (01/07/2025 a 29/09/2025). As variáveis preditoras foram sete dimensões derivadas da análise RFM, calculadas exclusivamente com dados anteriores ao corte temporal para evitar o vazamento de dados, conforme recomendado por Provost e Fawcett (2013). Essa abordagem garantiu que os modelos fossem treinados em dados históricos e testados em um comportamento futuro real.

Os modelos apresentaram desempenho preditivo robusto, com valores de AUC (Area Under the Curve) entre 0,811 e 0,826. Especificamente, a Regressão Logística obteve AUC de 0,8251, o Random Forest 0,8263 e o Gradient Boosting 0,8109. Esses valores situam-se na faixa considerada “boa” pela literatura de predição de propensão, superando os benchmarks típicos de 0,70-0,75 reportados por Lemmens e Croux (2006). A convergência de performance entre os três modelos, apesar de representarem famílias algorítmicas distintas, é um achado notável, sugerindo que a relação entre as variáveis RFM e a propensão à compra é predominantemente linear neste contexto.

A proximidade de desempenho entre os modelos implica que a complexidade adicional dos algoritmos de ensemble, como Random Forest e Gradient Boosting, não agregou um poder preditivo significativamente maior em comparação com a Regressão Logística, um modelo mais simples e interpretável. Para o provedor, essa constatação tem uma implicação prática importante: um modelo mais simples, como a Regressão Logística, é suficiente para operacionalizar a predição de propensão à compra, dispensando a complexidade computacional e de manutenção associada aos ensembles. Isso facilita a implementação e a escalabilidade da solução analítica no ambiente de negócios.

A acurácia dos modelos ficou acima de 90% para todos os três (90,3% para Regressão Logística, 91,2% para Random Forest e 90,5% para Gradient Boosting). Contudo, essa métrica deve ser contextualizada, pois 89,4% dos clientes não realizaram compras no período, o que significa que um modelo que previsse “não” para todos os clientes já atingiria 89,4% de acurácia. A métrica “recall”, que mede a capacidade de identificar compradores futuros, revelou que o Gradient Boosting obteve o melhor desempenho (35,3%), identificando mais de um terço dos compradores futuros, embora com menor precisão (58,8% versus 67,0% do Random Forest).

Essa troca entre precisão e revocação (recall) reflete diferentes estratégias operacionais. O Random Forest, com maior precisão, é mais conservador, acertando mais quando prevê uma compra. Já o Gradient Boosting, com maior recall, é mais agressivo, capturando mais compradores, mas comete mais erros de previsão. A escolha do modelo para aplicação operacional dependerá da estrutura de custos do provedor: se o custo de abordar um cliente não-comprador for baixo (por exemplo, e-mail), o Gradient Boosting com um limiar reduzido maximiza o alcance. Se o canal for caro ou limitado (por exemplo, ligação telefônica), o Random Forest, com sua maior precisão, seria preferível.

A análise de importância das variáveis preditoras revelou uma convergência notável entre os três modelos: a recência emergiu como o preditor dominante em todos eles. Na Regressão Logística, o coeficiente negativo da recência confirmou que cada dia adicional sem uma compra reduz a probabilidade de recompra. Nos modelos Random Forest e Gradient Boosting, a recência e a frequência disputaram as primeiras posições, com o valor monetário e o score RFM completando o quarteto de variáveis mais relevantes. Essa consistência reforça a conclusão de que a recência é, de fato, a variável mais preditiva, alinhando-se com a literatura de CRM que a posiciona como um indicador chave de engajamento (Fader e Hardie, 2009).

Para o provedor, a dominância da recência tem uma implicação direta e crucial: o momento imediatamente após a última compra de um cliente é o mais crítico para a retenção. À medida que o tempo passa sem contato ou nova transação, a probabilidade de retorno do cliente decai significativamente. Isso sugere que estratégias de comunicação pós-compra, como e-mails de “follow-up” e ofertas complementares nos primeiros 30 dias após a aquisição, teriam o maior impacto potencial na recompra. A distribuição das probabilidades preditas pelos modelos mostrou uma separação parcial entre as classes, com alguma sobreposição na zona intermediária, consistente com os valores de AUC observados.

A hipótese H2, que afirmava o poder discriminatório das variáveis RFM para predizer a propensão à compra futura em modelos supervisionados, foi confirmada. Os modelos demonstraram um poder preditivo significativo (AUC superior a 0,81) com validação temporal rigorosa. A convergência de performance entre modelos de famílias distintas reforça a robustez do achado, indicando que o resultado não depende da escolha algorítmica específica, mas sim da qualidade e relevância das variáveis preditoras derivadas da análise RFM. Isso valida a abordagem de engenharia de atributos e a escolha das variáveis para o processo de modelagem.

Síntese e Framework Estratégico

A triangulação das abordagens analíticas – segmentação RFM, modelagem por Cadeias de Markov e predição por modelos supervisionados – permitiu a construção de um diagnóstico coerente e um framework estratégico para a gestão da base de clientes. A segmentação RFM identificou claramente os clientes mais valiosos e seus perfis comportamentais. A Cadeia de Markov, por sua vez, alertou para uma tendência de degradação da base no longo prazo, projetando um aumento do segmento de “Baixa Aquisição” de 25% para 31,3% no estado de equilíbrio, o que indica a necessidade de intervenções estruturadas para reverter essa trajetória.

Os modelos supervisionados complementaram essa visão ao permitir a priorização individual de clientes para ações de marketing, identificando aqueles com maior propensão à recompra. A integração desses achados resultou na identificação de três alavancas estratégicas principais para o provedor. A primeira alavanca foca na redução de “compradores esporádicos” por meio de programas de segunda compra e ações de “onboarding” pós-aquisição, visando converter clientes de única compra em clientes recorrentes e mitigar a evasão de receita potencial.

A segunda alavanca estratégica consiste em proteger o segmento “Muito Recorrente” através do monitoramento contínuo da recência e da implementação de intervenções proativas. Dado que mesmo clientes de alto valor podem migrar para segmentos de menor engajamento, é crucial manter esses clientes engajados e satisfeitos para preservar a receita concentrada nesse grupo. A terceira alavanca propõe a criação de mecanismos de progressão entre os segmentos, utilizando o agrupamento de produtos e programas de fidelidade para incentivar os clientes a transitar de segmentos inferiores para superiores, aumentando seu valor ao longo do tempo.

Em síntese, a pesquisa demonstrou que a arquitetura analítica proposta oferece subsídios concretos para decisões estratégicas de retenção, segmentação e priorização de clientes em contextos educacionais. Os achados destacam a importância de ações estruturadas para reverter a degradação da base de clientes e a relevância da recência como o principal preditor de recompra. A integração das abordagens descritivas, estocásticas e preditivas fornece uma compreensão aprofundada do comportamento do cliente, permitindo ao provedor otimizar suas estratégias de marketing e relacionamento para impulsionar o crescimento e a sustentabilidade do negócio.

4. Conclusão

O presente estudo buscou aplicar modelos de aprendizado de máquina integrados ao CRISP-DM para analisar e predizer o comportamento de clientes de um provedor de cursos livres. Verificou-se que a segmentação RFM revelou quatro perfis distintos, com o segmento Muito Recorrente, embora representando 25% da base, concentrando 60,5% da receita total. A modelagem por Cadeias de Markov indicou uma tendência de degradação da base no longo prazo, com a projeção de crescimento do segmento Baixa Aquisição de 25% para 31,3% no equilíbrio, evidenciando a necessidade de intervenções de retenção. Os modelos supervisionados, incluindo Regressão Logística, Random Forest e Gradient Boosting, alcançaram um desempenho preditivo robusto, com AUC entre 0,811 e 0,826, e a recência emergiu como o preditor dominante da propensão à recompra. Essa arquitetura analítica integrada forneceu subsídios concretos para decisões estratégicas de retenção, segmentação e priorização de clientes em contextos educacionais, destacando a importância de ações estruturadas para reverter a degradação da base e a relevância da recência na predição de recompra. A principal contribuição prática reside na identificação de três alavancas estratégicas: a redução de compradores esporádicos, a proteção do segmento Muito Recorrente e a criação de mecanismos de progressão entre os segmentos, gerando diagnósticos diretamente aplicáveis à gestão da base de clientes.

Contudo, o trabalho apresenta limitações que devem ser consideradas. A Cadeia de Markov foi calibrada com apenas dois cortes temporais, o que pode não ter capturado sazonalidades ou tendências de médio prazo. A base de dados, com elevada concentração geográfica na Bahia (97,5%), restringe a generalização dos resultados para outros contextos. Além disso, a ausência de variáveis externas, como calendários de concursos ou dados de engajamento digital, impediu que o modelo capturasse determinantes adicionais do comportamento de compra. Para pesquisas futuras, sugere-se a recalibração da matriz de transição com cortes trimestrais para maior precisão, a incorporação de variáveis de engajamento digital como preditoras adicionais, a aplicação de técnicas de balanceamento para melhorar a revocação dos modelos e o teste do arcabouço em provedores de outras regiões para avaliar sua capacidade de generalização.

Referências Bibliográficas

Anderson, E.T.; Simester, D.I. 2022. Customer lifetime value: empirical generalizations. Journal of Marketing 86(1): 29-50.

Bass, F. 1969. A new product growth model for consumer durables. Management Science 15(5): 215-227.

Blattberg, R.C.; Kim, B.D.; Neslin, S.A. 2008. Database Marketing. Springer, New York, NY, EUA.

Breiman, L. 2001. Random forests. Machine Learning 45: 5-32.

Cho, Y.; Kim, J.; Kim, M.; Park, S. 2024. Integrating business analytics in educational decision-making. Mathematics 12(5): 620.

Data Hackers; Bain & Company. State of Data Brazil 2024/2025: um raio-x dos profissionais de dados do Brasil. [S. I.]: Bain & Company, 2025. Disponível em: https://www.bain.com/contentassets/1c5b651fcdad45a794863d1d6df480b2/bain–company-e-data-hackers—state-of-data-2024.pdf. Acesso em: 10 mar. 2026.

De Caigny, A.; Coussement, K.; De Bock, K.W. 2020. A new hybrid classification algorithm for customer churn prediction. European Journal of Operational Research 269(2): 760-772.

Fader, P.S.; Hardie, B.G.S. 2009. Probability models for customer-base analysis. Journal of Interactive Marketing 23(1): 61-69.

Friedman, J.H. 2001. Greedy function approximation: a gradient boosting machine. Annals of Statistics 29(5): 1189-1232.

James, G.; Witten, D.; Hastie, T.; Tibshirani, R. 2021. An Introduction to Statistical Learning. 2ed. Springer, New York, NY, EUA.

Kumar, V.; Shah, D. 2009. Building and sustaining profitable customer loyalty. Journal of Retailing 85(1): 31-51.

Lemmens, A.; Croux, C. 2006. Bagging and Boosting Classification Trees to Predict Churn. Journal of Marketing Research 43(2): 276-286.

Pfeifer, P.E.; Carraway, R.L. 2000. Modeling customer relationships as Markov chains. Journal of Interactive Marketing 14(2): 43-55.

Provost, F.; Fawcett, T. 2013. Data Science for Business. O’Reilly Media, Sebastopol, CA, EUA.

Reichheld, F.F.; Schefter, P. 2000. E-loyalty: your secret weapon on the web. Harvard Business Review 78(4): 105-113.

Ross, S.M. 2019. Introduction to Probability Models. 12ed. Academic Press, Cambridge, MA, EUA.

Saltz, J. 2020. CRISP-DM is Still the Most Popular Framework. Data Science Process Alliance.

Shimaoka, A.M.; Ferreira, R.C.; Goldman, A. 2024. The evolution of CRISP-DM for data science. SBC Reviews on Computer Science 5(1): 1-14.

Simon, H.A. 1971. Designing organizations for an information-rich world. p. 37-72. In: Greenberger, M. Computers, Communication, and the Public Interest. Johns Hopkins Press, Baltimore, MD, EUA.

Wirth, R.; Hipp, J. 2000. CRISP-DM: towards a standard process model for data mining. In: European Symposium on Principles of Data Mining and Knowledge Discovery, 2000, Lyon, França. Springer.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy