30 de setembro de 2026
Modelagem de Score de Propensão à Compra por meio de Regressão Logística: Um Estudo de Caso em uma Empresa do Setor Alimentício
Modelagem de Score de Propensão à Compra por Meio de Regressão Logística: um Estudo de Caso em uma Empresa do Setor Alimentício
André Fernandes Pimenta; Ricardo Franceli da Silva
DOI: 10.22167/2675-6528-202602668
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
No contexto competitivo do mercado business-to-business (B2B), a identificação de clientes com alta probabilidade de compra representa um diferencial estratégico para a eficiência da gestão comercial. O estudo objetivou desenvolver um modelo de score de propensão à compra, utilizando regressão logística, aplicado a dados históricos de vendas, relacionamento e características de clientes de uma empresa do setor alimentício atuante no canal Food Service, especificamente na cidade de São Paulo. A metodologia envolveu etapas de extração, tratamento e engenharia de variáveis, seguidas do treinamento do modelo e sua avaliação por métricas consagradas de desempenho preditivo, como acurácia, AUC-ROC e F-score. Os dados foram separados em conjuntos de treinamento (80%) e teste (20%), e as variáveis foram selecionadas por procedimento stepwise. Os resultados demonstraram elevada capacidade discriminatória e bom equilíbrio entre precisão e sensibilidade, indicando que o modelo ordenou eficientemente os clientes conforme sua probabilidade estimada de compra. A acurácia global alcançou 84%, e a área sob a curva ROC foi de aproximadamente 0,90. Concluiu-se que o score gerado é um instrumento relevante para apoiar decisões de priorização de clientes, segmentação da carteira e direcionamento de ações comerciais, otimizando recursos e promovendo uma estratégia B2B orientada por dados.
Palavras-chave: Análise preditiva; Aprendizado supervisionado; Inteligência de Vendas; Otimização comercial; Segmentação de clientes.
1. Introdução
O conhecimento aprofundado e a classificação precisa da base de clientes são elementos fundamentais para a estratégia e o planejamento comercial das empresas. No entanto, é frequente que as ações de retenção sejam implementadas sem critérios analíticos bem definidos, resultando no tratamento homogêneo de clientes que são, na verdade, heterogêneos (Kotler & Keller, 2016; Reichheld, 1996).
Nesse cenário, a ausência de uma abordagem diferenciada para a gestão do relacionamento com o cliente pode comprometer a eficiência comercial. Modelos preditivos de classificação de clientes surgem como uma solução estratégica, permitindo a diferenciação da base, o direcionamento eficaz de ações, a redução de custos operacionais e o aumento da retenção de clientes (Neslin et al., 2006; Verbeke et al., 2012). A literatura de marketing clássica já destaca que a retenção de clientes é economicamente mais vantajosa do que a aquisição de novos, com o custo de aquisição sendo de cinco a sete vezes maior do que o de manutenção (Kotler, 2015). Além disso, clientes recorrentes demonstram uma probabilidade de recompra entre 60% e 70%, enquanto novos consumidores apresentam uma chance significativamente menor, entre 5% e 20% (Hull, 2013).
Entre as abordagens preditivas, os modelos de propensão são técnicas de aprendizado de máquina amplamente utilizadas em contextos de Customer Relationship Management (CRM). Eles são desenvolvidos para estimar a probabilidade de um cliente realizar uma ação específica, como uma compra ou recompra (Provost & Fawcett, 2013; Ngai et al., 2009). A discussão sobre modelos de propensão é vasta na literatura acadêmica, sendo reconhecidos como ferramentas essenciais para prever comportamentos e apoiar estratégias de retenção e segmentação no marketing (Guenther et al., 2025). No contexto atual de Big Data, onde grandes volumes de dados transacionais, firmográficos e conjunturais são gerados e capturados constantemente, torna-se crucial a seleção dos dados mais relevantes e com maior poder explicativo para o evento analisado, por meio de filtragem e agrupamentos.
A necessidade de ferramentas que capacitem as empresas a conhecer seus clientes e a suportar ações de retenção é evidente. No contexto da empresa do setor alimentício estudada, atuante no canal Food Service, constatou-se que o comportamento de “churn” – clientes que deixaram de comprar – na cidade de São Paulo resultou em um impacto econômico de quatro milhões de reais em 2025 em margem de contribuição não realizada. A retenção de clientes é, portanto, uma peça-chave na gestão comercial, prevenindo o efeito negativo na carteira e promovendo a estabilidade necessária para o crescimento a longo prazo. A segmentação de clientes, por sua vez, permite a priorização da abordagem comercial e a alocação eficiente de recursos, como verbas de marketing, visitas da equipe de vendas e concessão de descontos. A construção de um score de propensão à compra atende a essa necessidade, permitindo que as decisões sejam orientadas por dados.
Diante deste cenário e da relevância estratégica da identificação de clientes com maior propensão à compra, o objetivo desta pesquisa foi construir um modelo preditivo capaz de informar a propensão à compra no mês seguinte (M+1) para os clientes do Food Service da cidade de São Paulo da empresa estudada.
2. Material e Métodos
A pesquisa caracterizou-se como um estudo de caso de natureza quantitativa, com abordagem metodológica preditiva. O objetivo central foi construir um modelo de score de propensão à compra para clientes do canal Food Service de uma empresa do setor alimentício, especificamente na cidade de São Paulo, visando estimar a probabilidade de compra no mês seguinte (M+1).
A unidade de análise consistiu em clientes ativos da empresa estudada, atuante no canal Food Service na cidade de São Paulo. O horizonte temporal dos dados abrangeu 21 meses, de julho de 2024 a março de 2026. A base de dados inicial continha 67.389 registros referentes a 3.209 clientes, que foram filtrados para 64.180 registros após a remoção de valores faltantes na variável-objetivo.
Os dados foram extraídos de bases internas da companhia (BI Empresa e SAP Empresa) e de fontes externas, como a Receita Federal, o Banco Central e o Instituto Brasileiro de Geografia e Estatística (IBGE). Para geolocalização dos clientes por distrito, utilizou-se a API da Tomtom. Coletaram-se dados transacionais de vendas, devoluções e reclamações, além de informações firmográficas, geográficas e macroeconômicas.
A etapa inicial envolveu a extração e o *data wrangling* dos dados, utilizando o software Alteryx para coletar, tratar, integrar e modelar as informações de forma visual. Os arquivos de diferentes repositórios foram unidos e transformados em um único arquivo com extensão `.yxdb`, consolidando a base para a construção das variáveis.
Identificaram-se os clientes objeto de estudo, que eram os clientes do canal Food Service na cidade de São Paulo com status cadastral “Ativo” na Receita Federal, conforme a *release* de fevereiro de 2026. A base transacional de volumes faturados e devolvidos foi filtrada para esses clientes, e a base de pedidos foi integrada para obter informações de frequência e ticket médio.
Construíram-se variáveis de proporção de portfólio, como “Farinha_Proporção”, “Pré-mix_Proporção” e “Complementar_Proporção”, indicando o percentual de cada categoria de produto vendido. Outras variáveis transacionais criadas incluíram “Recência” (tempo desde a última movimentação) e “Mix Comprado” (diversidade de itens adquiridos). A variável alvo, “Target_Compra_M1”, indicou a compra no mês seguinte.
A construção do modelo de propensão à compra foi realizada no Google Colaboratory (Google Colab), utilizando códigos Python. O *dataset* foi dividido em conjuntos de treinamento (80%, 51.344 registros) e teste (20%, 12.836 registros) de forma aleatória e estratificada, empregando a função `sklearn.modelselection.train_test_split`.
Para mitigar o vazamento de dados, variáveis identificadoras (`Cliente_ID`) e campos temporais auxiliares foram excluídos. A variável alvo `Target_Compra_M1` foi segregada antes do treinamento, e o pré-processamento foi implementado por meio de um *pipeline* para estimar parâmetros de padronização exclusivamente a partir dos dados de treinamento.
Um tratamento específico foi aplicado à coluna “Recência”, onde valores de 999, indicando ausência de movimentação, foram substituídos por um *flag* “Sem_Histórico” e imputação da recência máxima observada. As variáveis numéricas foram padronizadas pela técnica *z-score*, utilizando a função `StandardScaler()` da biblioteca `scikit-learn`, para equalizar suas escalas.
A seleção das variáveis mais relevantes para o modelo foi realizada por meio do procedimento *stepwise*. O algoritmo de regressão logística foi empregado para estimar a probabilidade de compra, sendo um método estatístico adequado para analisar a relação entre variáveis explicativas e uma variável dependente categórica binária (Fávero et al., 2017).
O modelo foi avaliado utilizando métricas de desempenho preditivo, como precisão, sensibilidade (*recall*), F1-score e a área sob a curva ROC (AU-ROC). Para o cálculo dessas métricas, adotou-se um *threshold* operacional de 0,5, considerando a ausência de custos assimétricos significativos entre falsos positivos e falsos negativos na predição.
3. Resultados e Discussão
Os resultados da modelagem de score de propensão à compra, desenvolvida por meio de regressão logística e seleção de variáveis pelo método stepwise, evidenciaram um desempenho preditivo robusto e consistente. Das 148 variáveis inicialmente consideradas no dataset, 50 foram selecionadas como as mais relevantes para prever o comportamento de compra no mês seguinte. A acurácia global do modelo alcançou 84%, indicando que a grande maioria das observações foi corretamente classificada, tanto para clientes que efetuaram a compra quanto para aqueles que não o fizeram, demonstrando um bom ajuste aos dados analisados e um equilíbrio entre os erros de classificação.
A capacidade discriminatória do modelo foi reforçada pela análise da curva ROC, que apresentou uma Área Sob a Curva (AUC-ROC) de aproximadamente 0,90. Este valor é considerado excelente em problemas de classificação binária, sugerindo que o modelo possui cerca de 90% de probabilidade de atribuir um score mais elevado a um cliente que efetivamente realiza uma compra em comparação a um cliente que não compra. Essa alta capacidade de ordenação dos clientes conforme sua probabilidade de conversão é crucial para a aplicação prática do score em estratégias comerciais.
A análise detalhada do relatório de classificação revelou um comportamento equilibrado entre precisão e sensibilidade para ambas as classes. Para a classe dos clientes compradores (Evento 1), o modelo obteve um recall de 0,84, indicando que a maior parte dos clientes que de fato compraram foi corretamente identificada. Embora a precisão para esta classe tenha sido ligeiramente inferior, com 0,79, tal característica é esperada em modelos cujo objetivo é maximizar a identificação de oportunidades comerciais, aceitando uma proporção controlada de falsos positivos em troca de uma maior cobertura de clientes potenciais.
No que tange à classe dos clientes não compradores (Evento 0), o modelo demonstrou uma precisão de 0,88 e um recall de 0,85. Esses valores indicam uma elevada capacidade de identificar corretamente os clientes que não realizariam uma compra, o que contribui para a redução de abordagens comerciais desnecessárias e otimização de recursos. A proximidade das médias macro e ponderada das métricas de precisão, recall e F1-score, todas em torno de 0,84, confirma a consistência do desempenho do modelo entre as classes e a ausência de um viés significativo decorrente de um leve desbalanceamento na base de dados.
Adicionalmente, o valor do log-likelihood observado, de -5010,6441, sugere um bom ajuste relativo do modelo aos dados, especialmente quando interpretado em conjunto com as demais métricas de desempenho como AUC, Gini e F1-score. Em modelos de regressão logística, o log-likelihood é uma medida comparativa que, neste contexto, corrobora a adequação do modelo estimado para a tarefa de prever a propensão à compra. A escolha do threshold operacional de 0,5 para o cálculo das métricas de classificação foi justificada pela ausência de custos assimétricos significativos entre falsos positivos e falsos negativos, diferentemente de cenários como detecção de fraudes.
A matriz de confusão forneceu uma visão clara da performance do modelo. Verificou-se que 6.383 clientes não compradores foram corretamente classificados (verdadeiros negativos), e 4.435 clientes compradores foram corretamente identificados (verdadeiros positivos). Em contrapartida, foram observados 1.143 falsos positivos, que são clientes classificados como compradores mas que não efetivaram a compra, e 875 falsos negativos, que são clientes compradores não identificados pelo modelo. Esses resultados indicam que o modelo consegue reconhecer adequadamente a maioria dos compradores, mantendo um controle razoável sobre as classificações incorretas, o que reforça sua utilidade para priorização e apoio à decisão comercial.
A análise dos coeficientes estimados das variáveis preditoras revelou insights importantes sobre os fatores que influenciam a propensão à compra. A variável `Complementar_Proporcao` apresentou o maior coeficiente absoluto, com valor negativo, indicando que quanto maior a participação de produtos complementares no volume de compra, menor a probabilidade de compra no período seguinte. Isso pode refletir um perfil de cliente menos recorrente ou com um consumo mais pontual, que adquire produtos complementares de forma esporádica.
Em contraste, o `Valor_Faturado_MesAnterior` exibiu um coeficiente positivo relevante, sugerindo que clientes com maior faturamento no mês anterior tendem a apresentar maior propensão à recompra. Este achado está alinhado com a expectativa de continuidade do relacionamento comercial e a importância de um histórico de vendas recente. De forma similar, a `Frequencia_MesAnterior` também demonstrou um efeito positivo, reforçando que um histórico recente de compras frequentes aumenta a probabilidade de uma nova compra.
A variável `Recencia`, com um coeficiente negativo, indicou que quanto maior o tempo desde a última compra, menor a propensão de o cliente comprar novamente. Este é um indicador crucial de risco de inatividade do cliente. Curiosamente, o `Volume_Faturado_MesAnterior` também apresentou um coeficiente negativo, o que pode sugerir que volumes elevados no passado recente estejam associados a compras concentradas ou ao abastecimento de estoques, reduzindo a necessidade de recompra imediata no próximo mês.
Outras variáveis, como a `Frequencia` (atual) e o `Preco_Bruto` (atual), apresentaram coeficientes positivos, indicando que clientes mais ativos e que operam sob determinados níveis de preço tendem a ter maior probabilidade de conversão no período subsequente. Variáveis de segmentação e localização, como a categoria de cliente `A` e os bairros `ALTO_DE_PINHEIROS` e `MOEMA`, também se mostraram relevantes, embora com coeficientes de menor magnitude. Esses indicadores sugerem que características regionais e de perfil do cliente contribuem para a explicação da propensão à compra.
A coerência dos sinais e magnitudes dos coeficientes com a lógica de negócio reforça a capacidade do modelo de capturar adequadamente os efeitos comportamentais, históricos e de composição de portfólio na explicação da decisão de compra. Essa interpretabilidade é um diferencial importante para a aplicação prática do modelo, permitindo que as equipes comerciais compreendam os fatores que impulsionam ou inibem a compra.
A distribuição dos scores de propensão à compra, visualizada em um histograma, revelou a existência de três grupos principais de clientes. Observou-se uma concentração de clientes com menos de 30% de chance de compra, uma zona de indiferença ou propensão moderada entre 30% e 50%, e um grupo de clientes com alta propensão à compra acima de 50%. Este insight é fundamental para a segmentação de clientes e para o direcionamento de ações comerciais específicas para cada perfil, otimizando a alocação de recursos.
Apesar dos resultados satisfatórios, algumas limitações devem ser consideradas na interpretação dos achados. A abordagem adotada não incorporou explicitamente a dimensão temporal dos dados, tratando cada observação de forma independente. Isso implica que potenciais efeitos de sazonalidade, tendências de mercado e dependências temporais do comportamento de compra podem não ter sido capturados de maneira ideal, o que limita a capacidade de generalização do modelo para cenários operacionais envolvendo novos clientes ou períodos futuros. A disponibilidade de variáveis explicativas também é uma limitação, pois o desempenho do modelo está condicionado ao conjunto de atributos disponível, e a inclusão de informações mais detalhadas sobre relacionamento comercial, ações de marketing e fatores externos poderia ampliar a capacidade preditiva.
Em síntese, o modelo de score de propensão à compra desenvolvido, utilizando regressão logística e seleção de variáveis por método stepwise, demonstrou elevada capacidade de discriminação e um desempenho robusto e consistente. Os achados, incluindo a acurácia de 84% e AUC-ROC de 0,90, juntamente com a interpretabilidade dos coeficientes das variáveis mais influentes, confirmam que o modelo é um instrumento valioso para ordenar clientes conforme sua probabilidade de compra. Isso permite à empresa do setor alimentício priorizar clientes, segmentar a carteira e direcionar ações comerciais de forma mais eficiente e orientada por dados, respondendo ao objetivo de informar a propensão à compra no mês seguinte para os clientes do Food Service da cidade de São Paulo.
4. Conclusão
Este estudo objetivou construir um modelo preditivo capaz de informar a propensão à compra no mês seguinte (M+1) para os clientes do Food Service da cidade de São Paulo de uma empresa do setor alimentício. Para tanto, desenvolveu-se um modelo de score de propensão à compra utilizando regressão logística e seleção de variáveis pelo método stepwise. Verificou-se que o modelo apresentou desempenho robusto e consistente, com acurácia global de 84% e uma Área Sob a Curva (AUC-ROC) de aproximadamente 0,90, indicando elevada capacidade discriminatória e um bom equilíbrio entre precisão e sensibilidade na classificação de clientes compradores e não compradores. A análise dos coeficientes das variáveis preditoras revelou que a proporção de produtos complementares no mix de compra (`Complementar_Proporcao`) exerceu a maior influência negativa na propensão à compra, enquanto o `Valor_Faturado_MesAnterior` e a `Frequencia_MesAnterior` demonstraram efeitos positivos significativos. A `Recencia` e o `Volume_Faturado_MesAnterior` também se mostraram importantes, com coeficientes negativos que sugerem menor propensão à recompra em cenários de maior tempo desde a última compra ou volumes elevados no passado recente. A distribuição dos scores de propensão à compra permitiu identificar grupos distintos de clientes, o que constitui uma contribuição prática fundamental para a empresa. O score gerado é um instrumento valioso para apoiar decisões de priorização de clientes, segmentação da carteira e direcionamento de ações comerciais, otimizando recursos e promovendo uma estratégia B2B orientada por dados.
Apesar dos resultados promissores, algumas limitações foram identificadas. A abordagem adotada não incorporou explicitamente a dimensão temporal dos dados, o que pode ter restringido a captura de efeitos de sazonalidade, tendências de mercado e dependências temporais do comportamento de compra. Isso limita a capacidade de generalização do modelo para novos clientes ou períodos futuros. Além disso, a disponibilidade de variáveis explicativas condicionou o desempenho do modelo, e a distribuição desigual das classes, embora mitigada, permanece um desafio para a identificação da classe minoritária. Sugere-se que pesquisas futuras explorem a inclusão explícita da dinâmica temporal no comportamento de compra, adotem estratégias de validação mais robustas, como validação temporal e agrupada por cliente, e enriqueçam a base de dados com novas variáveis comportamentais, comerciais e contextuais. A comparação da regressão logística com algoritmos mais sofisticados, como métodos de gradient boosting e redes neurais, também pode oferecer ganhos de desempenho e aprofundar a compreensão dos fatores que influenciam a propensão de compra dos clientes.
Referências Bibliográficas
Fávero, L.P. et al. 2017. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Elsevier, Rio de Janeiro, RJ, Brasil.
Guenther, P.; Guenther, M.; Misra, S.; Koval, M.; Zaefarian, G. 2025. Propensity score modeling for business marketing research. Industrial Marketing Management, v.127, p.14-28.
Hull, P. 2013. Tools for entrepreneurs to retain clients. Forbes. Disponível em: <https://www.forbes.com/sites/patrickhull/2013/12/06/tools-for-entrepreneurs-to-retain-clients/>. Acesso em: 5 mar. 2026.
Kotler, P.; Armstrong, G. 2015. Princípios de marketing. 17ed. Pearson Education do Brasil, São Paulo, SP, Brasil.
Kotler, P.; Keller, K.L. 2016. Administração de marketing. 15ed. Pearson Education do Brasil, São Paulo, SP, Brasil.
Neslin, S.A. et al. 2006. Defection detection: measuring and understanding the predictive accuracy of customer churn models. Journal of Marketing Research, v.43, n.2, p.204-211.
Ngai, E.W.T.; Xiu, L.; Chau, D.C.K. 2009. Application of data mining techniques in customer relationship management: a literature review and classification. Expert Systems with Applications, v.36, n.2, p.2592-2602.
Provost, F.; Fawcett, T. 2013. Data science for business. O’Reilly Media, Sebastopol, CA, EUA.
Reichheld, F.F. 1996. The loyalty effect: the hidden force behind growth, profits, and lasting value. Harvard Business School Press, Boston, MA, EUA.
Verbeke, W.; Dejaeger, K.; Martens, D.; Hur, J.; Baesens, B. 2012. Predictive modeling for customer churn management: a survey and future directions. Decision Support Systems, v.53, n.4, p.661-675.
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
