Retenção de Clientes em E-commerce por Meio de Modelos Preditivos

Enzo Eluan Cruz; Gabrielle Maria Romeiro Lombardi

DOI: 10.22167/2675-6528-202602866

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

O crescimento do comércio eletrônico ampliou a disponibilidade de dados relacionados ao comportamento dos consumidores, possibilitando a aplicação de métodos analíticos para compreensão de diferentes perfis de compra. O objetivo foi analisar o comportamento e o perfil de clientes de comércio eletrônico a partir de características demográficas, comportamentais, financeiras e perceptivas, buscando identificar padrões relacionados ao consumo, à satisfação e à recência de compra. Utilizou-se um conjunto de dados público e sintético, com 350 registros e 11 variáveis. A análise incluiu exploração de dados, segmentação por K-Means, construção de indicadores RFM, engajamento, faixas de gasto e inatividade, além de modelos supervisionados para classificação do nível de satisfação e estimativa do gasto total. A segmentação identificou sete agrupamentos com diferentes combinações comportamentais, apresentando índice de Silhouette de 0,7139. Na classificação da satisfação, Random Forest e XGBoost classificaram corretamente todas as observações do conjunto de teste, enquanto a Regressão Logística obteve acurácia de 0,9714. Na estimativa de gasto total, Random Forest apresentou o melhor desempenho, com R² de 0,999396. Os resultados evidenciaram diferentes configurações de comportamento entre os consumidores e forte estruturação das relações na base. Considerando a natureza sintética dos dados, os achados possuem caráter exploratório e não devem ser generalizados para consumidores reais sem validação externa.

Palavras-chave: Ciência de dados; Comércio eletrônico; Comportamento do consumidor; Satisfação; Segmentação de clientes.

1. Introdução

O avanço do comércio eletrônico intensificou a necessidade de compreender o comportamento dos consumidores em ambientes digitais altamente competitivos e orientados por dados. Nesse contexto, a capacidade de identificar padrões de consumo, segmentar clientes e antecipar riscos de evasão (churn) torna-se um diferencial estratégico para empresas que operam no ambiente digital. A crescente disponibilidade de dados transacionais, comportamentais e perceptivos, aliada ao desenvolvimento de técnicas de inteligência artificial, possibilita a aplicação de métodos analíticos mais robustos, capazes de transformar dados em informações relevantes para a tomada de decisão. Como destacado por Silva et al. (2021), o comércio eletrônico ampliou o acesso à informação e elevou o nível de exigência dos consumidores, tornando essencial o uso de estratégias mais sofisticadas para atrair e reter clientes.

Nesse cenário, a retenção de clientes assume papel central para a sustentabilidade das empresas, especialmente em mercados nos quais o custo de aquisição de novos consumidores tende a ser elevado. A literatura aponta que a satisfação do cliente está diretamente relacionada ao sucesso organizacional e à fidelização ao longo do tempo.

Conforme argumentam Rossi e Slongo (1998), a análise da satisfação constitui um dos pilares para o desenvolvimento de ações eficazes de marketing. No entanto, abordagens tradicionais baseadas apenas em análises descritivas ou avaliações pontuais apresentam limitações diante do volume e da complexidade dos dados disponíveis nos ambientes digitais. Dessa forma, torna-se necessário o uso de modelos analíticos capazes de capturar padrões mais complexos e fornecer suporte preditivo à tomada de decisão.

Estudos recentes demonstram a crescente aplicação de técnicas de Machine Learning na previsão de churn e segmentação de clientes em ambientes de comércio eletrônico. Xiahou e Harada (2022) utilizaram o algoritmo K-Means para segmentação de consumidores, aplicando posteriormente modelos de classificação para prever o abandono de clientes no contexto B2C. Pesquisas recentes, como a de Rahman et al. (2025), também exploram algoritmos como Random Forest para identificar padrões de comportamento e classificar consumidores com maior probabilidade de evasão, reforçando o potencial dessas técnicas para estratégias de retenção. Modelos robustos baseados em algoritmos de ensemble learning, como o proposto por Wang e Chen (2019) com Regressão Logística e XGBoost, também apresentam resultados promissores em problemas de churn. Apesar desses avanços, ainda existe espaço para estudos que integrem simultaneamente análise exploratória, engenharia de atributos, segmentação de clientes e múltiplos modelos preditivos em uma única estrutura analítica aplicada ao contexto de e-commerce, lacuna na qual o presente trabalho busca contribuir.

Diante desse contexto, o presente trabalho teve como objetivo analisar o comportamento e o perfil de clientes de comércio eletrônico a partir de características demográficas, comportamentais, financeiras e perceptivas, buscando identificar padrões relacionados ao consumo, à satisfação e à recência de compra. Para isso, foram empregadas técnicas de análise exploratória de dados, segmentação de clientes, construção de indicadores comportamentais e modelagem supervisionada como instrumentos analíticos para caracterização dos diferentes perfis presentes no conjunto de dados. Adicionalmente, buscou-se avaliar padrões associados ao nível de satisfação e ao gasto total observado, contribuindo para uma compreensão integrada das características dos consumidores representados na base analisada.

2. Material e Métodos

O presente estudo adotou uma abordagem metodológica quantitativa, de natureza exploratória e preditiva, para analisar o comportamento de clientes em comércio eletrônico. A pesquisa foi estruturada em etapas que incluíram a preparação e análise exploratória de dados, segmentação de clientes, construção de indicadores derivados e aplicação de modelos de aprendizado supervisionado. O foco metodológico recaiu na classificação do nível de satisfação e na estimativa do gasto total observado.

O conjunto de dados utilizado foi o “E-commerce Customer Behavior Dataset”, uma base pública e sintética disponibilizada na plataforma Kaggle por Laksika (2024). Este dataset continha 350 registros de clientes individuais e 11 variáveis originais, abrangendo características demográficas (gênero, idade, cidade), de consumo (gasto total, itens adquiridos, dias desde a última compra) e perceptivas (avaliação média, nível de satisfação, tipo de associação, aplicação de desconto). A natureza sintética dos dados foi considerada na interpretação dos achados.

A preparação dos dados envolveu a verificação da integridade da base, incluindo tipos de variáveis e ausência de duplicidades, mantendo-se os 350 registros originais. Dois valores ausentes foram identificados na variável “Satisfaction Level”; para a classificação, utilizaram-se 348 observações válidas. Nos modelos supervisionados, a imputação de valores ausentes nas variáveis explicativas foi realizada via “pipelines” do Scikit-learn, empregando a mediana para variáveis numéricas e a categoria mais frequente para as categóricas, ajustadas apenas no conjunto de treinamento.

A análise de outliers foi conduzida pelo critério do Intervalo Interquartil (IQR) para as variáveis “Age”, “Total Spend”, “Items Purchased”, “Average Rating” e “Days Since Last Purchase”, sem remoção de observações. A análise exploratória de dados caracterizou a base por meio de estatísticas descritivas e representações gráficas. O teste não paramétrico de Kruskal-Wallis e comparações pareadas de Mann-Whitney foram aplicados para avaliar diferenças entre grupos de satisfação, com nível de significância de 5%.

A segmentação de clientes foi implementada com o algoritmo K-Means, uma técnica de aprendizado não supervisionado. As variáveis “Age”, “Total Spend”, “Items Purchased”, “Days Since Last Purchase” e “Average Rating” foram padronizadas utilizando o StandardScaler. O número de clusters (k) foi definido pela análise conjunta do Método do Cotovelo e do índice de Silhouette, resultando na seleção de sete clusters. O K-Means foi aplicado com inicialização k-means++, 10 inicializações independentes e random_state=42. A visualização dos grupos foi realizada por Análise de Componentes Principais (PCA), com finalidade exclusivamente gráfica, e a qualidade da segmentação foi avaliada pelo índice de Silhouette.

Indicadores derivados foram construídos para sintetizar dimensões do comportamento dos clientes, incluindo métricas RFM (Recência, Frequência e Valor Monetário), um índice de engajamento, uma estratificação de gasto total e um indicador de risco de inatividade. As métricas RFM foram baseadas em “Days Since Last Purchase”, “Items Purchased” (proxy de frequência) e “Total Spend”, convertidas em escores de 1 a 5 e combinadas em um RFM Score, gerando categorias exploratórias. O “Engagement Score” foi um índice heurístico normalizado (0 a 100), composto por recência, itens adquiridos, gasto total e avaliação média. A estratificação de gasto total gerou quatro categorias baseadas em percentis, e o indicador de risco de inatividade foi definido a partir do percentil 75 de “Days Since Last Purchase”. Esses indicadores foram utilizados apenas para análises descritivas.

A modelagem supervisionada compreendeu duas tarefas: classificação do nível de satisfação (“Satisfaction Level”) e regressão para estimativa do gasto total (“Total Spend”). Somente atributos originais do dataset foram empregados como preditores. Os dados foram divididos em 80% para treinamento e 20% para teste, com estratificação por “Satisfaction Level” na classificação. Para a classificação, compararam-se Regressão Logística, Random Forest e XGBoost, avaliados por acurácia, precisão macro, revocação macro e F1-score macro. Na regressão, compararam-se Random Forest Regressor, XGBoost Regressor e Ridge Regression, avaliados por R², RMSE e MAE. A consistência do desempenho foi verificada por validação cruzada em cinco partições para ambas as tarefas.

3. Resultados e Discussão

Os resultados obtidos ao longo das diferentes etapas analíticas evidenciaram que o comportamento dos consumidores representados na base de dados não pode ser descrito adequadamente por uma única variável. As análises exploratórias, a segmentação por agrupamento, os indicadores derivados e os modelos supervisionados convergiram ao demonstrar combinações distintas entre gasto, intensidade de compra, recência, avaliação e satisfação. Essa constatação reforça a importância de analisar o perfil do consumidor de maneira multidimensional, utilizando técnicas de ciência de dados como instrumentos de apoio à compreensão dos padrões presentes na base.

A análise exploratória inicial permitiu caracterizar o perfil dos consumidores e examinar as relações entre características demográficas, comportamentais, financeiras e perceptivas. Verificou-se uma distribuição equilibrada entre os gêneros, com 175 observações em cada categoria, refletindo uma característica original do conjunto de dados e não um resultado de balanceamento amostral. A idade dos consumidores concentrou-se nas faixas centrais da distribuição, sem a identificação de valores discrepantes significativos, o que descreve a composição da amostra sintética, mas não permite inferências sobre a capacidade financeira ou propensão ao consumo em uma população real.

As variáveis relacionadas ao comportamento de compra apresentaram variações notáveis entre as observações, especialmente no que diz respeito ao gasto total, à quantidade de itens adquiridos e ao intervalo desde a última compra. A distribuição do gasto total dos clientes evidenciou diferentes faixas de consumo acumulado na base, as quais foram posteriormente exploradas em conjunto com outras características comportamentais para uma compreensão mais aprofundada dos perfis.

A variável que representa os dias desde a última compra também mostrou variação entre os consumidores, indicando a recência da última interação de consumo. Observou-se que períodos mais longos desde a última compra não devem ser interpretados, isoladamente, como evidência de abandono do cliente, uma vez que o conjunto de dados não contém uma variável que registre explicitamente a ocorrência de churn ou evasão.

A análise conjunta do nível de satisfação e da recência de compra revelou diferenças na distribuição dos dias desde a última compra entre os níveis de satisfação. Visualmente, os consumidores classificados como insatisfeitos apresentaram períodos desde a última compra superiores aos observados predominantemente nas categorias neutra e satisfeita, sugerindo uma associação entre esses fatores dentro do conjunto de dados analisado.

O teste não paramétrico de Kruskal-Wallis confirmou uma diferença estatisticamente significativa entre as distribuições de recência dos diferentes níveis de satisfação. Comparações pareadas subsequentes, realizadas pelo teste de Mann-Whitney, permitiram identificar quais categorias específicas apresentavam essas diferenças. Esse achado aponta para uma associação entre satisfação e recência na base, mas não estabelece uma relação causal direta entre elas.

Portanto, não é possível concluir que um menor nível de satisfação tenha provocado um maior período de inatividade ou, inversamente, que um maior período desde a última compra tenha causado insatisfação. A análise exploratória, de forma geral, evidenciou uma variação nas características demográficas, financeiras, comportamentais e perceptivas, fornecendo subsídios importantes para as análises de segmentação e construção de indicadores comportamentais subsequentes. É fundamental reiterar que, devido à natureza sintética da base, esses padrões devem ser interpretados como características do conjunto analisado, sem presumir sua reprodução em populações reais de consumidores.

Resultados da segmentação de clientes

A aplicação do algoritmo K-Means, configurado para sete agrupamentos, permitiu organizar os 350 consumidores em grupos distintos, com base em diferentes combinações das cinco características utilizadas na segmentação: idade, gasto total, quantidade de itens adquiridos, dias desde a última compra e avaliação média. Essa abordagem não supervisionada foi crucial para identificar padrões intrínsecos de comportamento sem a necessidade de variáveis-alvo predefinidas.

A solução de segmentação selecionada demonstrou um índice de Silhouette de 0,7139. Esse valor indica que, no espaço multidimensional das variáveis padronizadas, as observações apresentaram uma separação relativamente definida entre os agrupamentos. A escolha do número de clusters foi guiada pela análise conjunta do Método do Cotovelo e do índice de Silhouette, buscando um equilíbrio entre a redução da inércia e a qualidade da separação dos grupos, conforme detalhado na metodologia.

Para facilitar a visualização da estrutura dos grupos identificados, foi aplicada a Análise de Componentes Principais (PCA). Os dois primeiros componentes principais explicaram conjuntamente 91,43% da variância das variáveis padronizadas, sendo 74,23% atribuídos ao primeiro componente e 17,20% ao segundo. A projeção bidimensional resultante permitiu observar a organização espacial dos agrupamentos e a existência de regiões distintas entre parte dos grupos, embora o PCA tenha sido utilizado exclusivamente para fins de representação gráfica, sem alterar o processo de agrupamento original.

A caracterização dos agrupamentos revelou diferenças significativas, principalmente nas dimensões relacionadas ao consumo, à recência e à avaliação. O cluster dois, por exemplo, destacou-se com o maior gasto médio de 1.459,77, a maior quantidade média de itens adquiridos (vinte), a menor média de dias desde a última compra (11,17) e a maior avaliação média (4,81). Este grupo, dentro da base analisada, reuniu observações com maior intensidade de consumo, gasto acumulado e compras mais recentes.

O cluster cinco também apresentou gasto e quantidade de itens relativamente elevados, com médias de 1.165,04 e 15,27, respectivamente, acompanhado de uma avaliação média de 4,54. Contudo, sua recência média de 24,59 dias foi superior à observada no cluster dois, indicando uma combinação comportamental distinta, apesar dos valores elevados de consumo. O cluster um ocupou uma posição intermediária em relação ao gasto e à intensidade de compra, com gasto médio de 805,49, média de 11,68 itens e intervalo médio de 15,27 dias desde a última compra, além de uma avaliação média de 4,17.

Em contraste, o cluster zero apresentou o menor gasto médio entre os agrupamentos (446,89), a menor quantidade média de itens adquiridos (7,57) e a menor avaliação média (3,19). Apesar desses níveis reduzidos, sua recência média de 22,76 dias foi inferior à encontrada em alguns grupos com gasto superior, demonstrando que menor gasto acumulado não corresponde necessariamente a um maior período desde a última compra. O cluster quatro, com gasto relativamente reduzido (499,88) e média de 9,41 itens, distinguiu-se pelo intervalo médio de 40,47 dias desde a última compra, enquanto o cluster três apresentou o maior intervalo médio de toda a segmentação, com 53,18 dias, apesar de registrar gasto médio de 703,69 e 12,76 itens adquiridos.

Por fim, o cluster seis apresentou valores intermediários de gasto (671,55), quantidade de itens (10,04) e avaliação (3,80), acompanhados de uma recência média de 34,62 dias. A comparação dos perfis demonstra que as dimensões analisadas não variaram de maneira uniforme entre os agrupamentos. Embora os clusters dois e cinco combinassem maiores níveis de gasto, quantidade de itens e avaliação, outros grupos apresentaram combinações distintas entre consumo e recência. Essa segmentação permitiu identificar diferentes configurações comportamentais dentro da base, em vez de estabelecer uma ordenação única dos clientes entre perfis melhores ou piores.

Resultados dos indicadores derivados

A construção dos indicadores derivados complementou a análise exploratória e a segmentação, sintetizando diferentes dimensões do comportamento observado no conjunto de dados. Foram examinadas as métricas RFM, o índice de engajamento, a estratificação pelo gasto total e o indicador operacional de inatividade. Esses indicadores foram utilizados exclusivamente para descrição e comparação dos padrões presentes na base, sem participação como variáveis explicativas nos modelos supervisionados, a fim de evitar redundâncias e vazamento de informação.

A classificação exploratória baseada no escore RFM distribuiu as 350 observações em cinco categorias. A categoria “At Risk” apresentou a maior frequência, reunindo 137 consumidores, o que corresponde a 39,14% do total. Em seguida, a categoria “Loyal Customers” abrangeu 91 observações, ou 26,00%. As categorias “Champions” e “Potential Loyalists” apresentaram 59 observações cada, representando 16,86% do total, enquanto “Lost” reuniu apenas quatro consumidores, ou 1,14%.

A comparação dos perfis evidenciou diferenças nas dimensões utilizadas para a construção do indicador. A categoria “Champions” apresentou um gasto médio de 1.455,55, uma média de 19,9 itens adquiridos, 11,3 dias desde a última compra e uma avaliação média de 4,81. Em contraste, a categoria “At Risk” registrou um gasto médio de 509,49, uma média de 8,8 itens, uma recência média de 31,9 dias e uma avaliação média de 3,40.

A categoria “Loyal Customers” apresentou valores intermediários superiores em consumo, com gasto médio de 1.038,73 e média de 14,1 itens. Já a categoria “Potential Loyalists” registrou gasto médio de 742,05, 12,0 itens e 37,2 dias desde a última compra. A categoria “Lost”, composta por apenas quatro observações, apresentou um gasto médio de 475,25 e um intervalo médio de 45 dias desde a última compra, caracterizando um perfil de menor engajamento e recência.

Apesar das denominações atribuídas às categorias RFM, é importante ressaltar que essas classificações não representam estados reais de fidelidade, risco ou abandono observados na base. Elas resultam exclusivamente dos intervalos definidos para o escore RFM e devem ser interpretadas como rótulos exploratórios que facilitam a comparação entre diferentes combinações de recência, intensidade de compra e gasto, sem inferir causalidade ou estados definitivos de comportamento do cliente.

O “Engagement Score” apresentou valores que variaram entre 18,66 e 99,32, com uma média de 50,75 e mediana de 51,46. A distribuição dos níveis operacionais desse índice indicou maior concentração nas categorias “Medium” e “High”, com 116 (33,14%) e 110 observações (31,43%), respectivamente. A categoria “Very High” reuniu 66 consumidores (18,86%), enquanto “Low” apresentou 58 observações (16,57%), refletindo a combinação das dimensões de recência, intensidade de compra, gasto e avaliação que o compõem.

Como o índice de engajamento foi construído heuristicamente, com pesos definidos no âmbito deste estudo, sua distribuição reflete diretamente a combinação dessas dimensões. Portanto, valores mais elevados não devem ser interpretados como uma medida validada de engajamento real, mas sim como uma síntese comparativa interna das características disponíveis na base, permitindo uma análise descritiva e exploratória do comportamento dos consumidores.

A estratificação baseada no Total Spend organizou as observações em quatro faixas de gasto. A categoria “Medium” concentrou a maior parte dos clientes, com 173 indivíduos (49,43%), seguida pela categoria “Low”, com 88 (25,14%). As categorias “High” e “Premium” apresentaram 46 (13,14%) e 43 observações (12,29%), respectivamente. Essas categorias foram definidas a partir de percentis da distribuição do gasto total, servindo como um instrumento de segmentação descritiva.

Os consumidores classificados como “Premium” apresentaram o maior gasto médio, com 1.480,50, enquanto a categoria “High” registrou uma média de 1.255,17. As categorias “Medium” e “Low” apresentaram gastos médios de 774,21 e 460,74, respectivamente. Essas diferenças são uma consequência direta do critério utilizado para a construção das categorias e representam apenas faixas do gasto acumulado observado no conjunto de dados, sem implicar valor futuro do cliente ou contribuição financeira.

O indicador operacional de inatividade classificou 89 observações, correspondendo a 25,4% do total, no quartil superior da distribuição de Days Since Last Purchase, utilizando 38 dias desde a última compra como limiar. As 261 observações restantes, ou 74,6%, permaneceram abaixo desse ponto de corte. Na classificação granular, 168 consumidores foram classificados como “Low Inactivity”, 93 como “Medium Inactivity”, 51 como “High Inactivity” e 38 como “Critical Inactivity”.

Essas categorias representam exclusivamente posições relativas na distribuição de recência da base analisada e não devem ser interpretadas como um modelo preditivo de evasão ou churn. O grupo situado acima do limiar de inatividade apresentou uma recência média de 45,6 dias e um gasto médio de 585,19, enquanto as observações abaixo do limiar tiveram recência média de 20,1 dias e gasto médio de 934,11. Embora o grupo com maior inatividade também tenha apresentado menor gasto médio e maior concentração de insatisfação, esses resultados representam associações descritivas e não permitem concluir que a inatividade tenha causado menor gasto ou insatisfação.

Um achado particularmente notável foi que, entre as 89 observações classificadas acima do limiar operacional de inatividade, todas apresentavam o nível de satisfação “Unsatisfied”. Essa elevada regularidade na associação deve ser interpretada com cautela, especialmente em razão da natureza sintética da base, não constituindo evidência de uma relação causal ou de um padrão esperado em populações reais de consumidores. Em conjunto, os indicadores derivados forneceram diferentes formas de sintetizar as características observadas nos consumidores, enriquecendo a análise exploratória e descritiva do comportamento.

Resultados da classificação do nível de satisfação

A tarefa de classificação teve como objetivo principal examinar a capacidade das características originais do conjunto de dados em distinguir os três níveis de satisfação registrados na variável Satisfaction Level: Satisfied, Neutral e Unsatisfied. Após a exclusão de dois registros que não possuíam informação para essa variável, foram utilizadas 348 observações para a tarefa de classificação, garantindo a integridade dos dados para a modelagem.

A distribuição das classes mostrou-se relativamente próxima entre as três categorias: a classe Satisfied apresentou 125 observações (35,92%), seguida pela classe Unsatisfied, com 116 (33,33%), e pela classe Neutral, com 107 registros (30,75%). A divisão dos dados em conjuntos de treinamento e teste foi estratificada, resultando em 278 observações para treinamento e 70 para teste, preservando aproximadamente essa distribuição de classes em ambos os subconjuntos.

Foram comparados três algoritmos de classificação: Regressão Logística, utilizada como modelo linear de referência, e Random Forest e XGBoost, empregados como métodos baseados em árvores, capazes de representar relações não lineares e interações entre as características. As variáveis explicativas numéricas incluíram idade, gasto total, itens adquiridos, avaliação média e dias desde a última compra, enquanto as categóricas foram gênero, cidade, tipo de associação e desconto aplicado.

Os modelos baseados em árvores, Random Forest e XGBoost, apresentaram desempenho máximo no conjunto de teste. Ambos classificaram corretamente todas as 70 observações, resultando em acurácia, precisão macro, revocação macro e F1 macro iguais a 1,0000. A Regressão Logística também demonstrou desempenho elevado, com acurácia de 0,9714 e F1 macro de 0,9716, e uma pequena diferença entre a acurácia de treinamento e teste de 0,0070, indicando boa consistência.

A validação cruzada estratificada em cinco partições confirmou a manutenção do desempenho elevado em diferentes divisões dos dados. O Random Forest e o XGBoost apresentaram F1 macro médio de 0,9971, com um baixo desvio-padrão de 0,0058, enquanto a Regressão Logística obteve uma média de 0,9742 e desvio-padrão de 0,0140. Esses resultados indicam que o elevado desempenho não se restringiu ao conjunto de teste inicial, mas é consistente em diferentes subconjuntos da base.

Entretanto, valores próximos da classificação perfeita devem ser interpretados com cautela, considerando o caráter sintético do conjunto de dados e a elevada separabilidade observada entre algumas características e as classes de satisfação. A matriz de confusão do Random Forest evidenciou a classificação correta de todas as 70 observações do conjunto de teste, sem registros de classificação incorreta: 22 pertencentes à classe Neutral, 25 à classe Satisfied e 23 à classe Unsatisfied.

Na análise de importância das variáveis para o modelo Random Forest, Days Since Last Purchase apresentou a maior importância relativa (0,1559), seguida por Total Spend (0,1381), Items Purchased (0,1273) e Average Rating (0,1097). Variáveis relacionadas à aplicação de desconto, idade e tipo de associação também contribuíram para as decisões do modelo. No XGBoost, a distribuição das importâncias apresentou um padrão distinto, com destaque para a categoria City_Houston, cuja importância relativa foi de 0,3309, seguida por Discount Applied_False (0,1432), Total Spend (0,1330), Age (0,1222) e Days Since Last Purchase (0,0895).

A elevada importância atribuída a uma categoria específica de cidade no modelo XGBoost deve ser interpretada com especial cautela. Considerando a natureza sintética da base, essa associação pode refletir regularidades artificiais presentes no processo de geração dos dados, não sendo adequado interpretá-la como evidência de que a localização geográfica exerça influência causal sobre a satisfação dos consumidores. De maneira geral, os três algoritmos demonstraram elevada capacidade de distinguir os níveis de satisfação dentro da estrutura do conjunto de dados analisado.

O desempenho máximo de Random Forest e XGBoost, aliado aos resultados elevados da Regressão Logística e da validação cruzada, sugere forte separabilidade das classes a partir das características disponíveis. Contudo, esse resultado deve ser compreendido no contexto de uma base sintética e relativamente pequena, na qual determinadas relações entre atributos e satisfação podem apresentar regularidade superior à encontrada em dados reais. Assim, os valores obtidos demonstram a capacidade dos modelos de representar os padrões internos da base, mas não permitem inferir desempenho equivalente em consumidores reais sem validação externa.

Resultados da estimativa de Total Spend

A segunda tarefa supervisionada foi formulada como um problema de regressão, tendo como objetivo estimar o gasto total observado dos clientes, representado pela variável Total Spend, a partir das demais características originais disponíveis no conjunto de dados. Foram utilizadas as 350 observações disponíveis, uma vez que a variável de interesse não apresentava valores ausentes, garantindo a completude da base para esta análise.

A variável Total Spend apresentou uma média de 845,38, com desvio-padrão de 362,06, e uma mediana de 775,20. Os valores observados variaram entre 410,80 e 1.520,10, evidenciando uma amplitude considerável do gasto acumulado entre as observações analisadas. As variáveis numéricas utilizadas como preditores foram idade, itens adquiridos, avaliação média e dias desde a última compra, enquanto as categóricas incluíram gênero, cidade, tipo de associação e desconto aplicado.

Foram comparados três algoritmos para a tarefa de regressão: Random Forest Regressor e XGBoost Regressor, empregados para representar possíveis relações não lineares, e Ridge Regression, utilizada como modelo linear regularizado de referência. O Total Spend foi excluído do conjunto de variáveis explicativas por ser a própria variável-alvo, e atributos derivados que incorporassem informações de gasto, como RFM, Engagement Score e Value Tier, também foram excluídos para evitar redundâncias.

Os três modelos apresentaram elevado desempenho na estimativa do gasto total observado. O Random Forest obteve o maior coeficiente de determinação no conjunto de teste, com R² de 0,999396, acompanhado de um RMSE de 9,03 e um MAE de 3,93. O XGBoost apresentou desempenho semelhante, com R² de 0,999301, RMSE de 9,72 e MAE de 4,99, indicando uma alta capacidade preditiva para ambos os modelos baseados em árvores.

A regressão Ridge também alcançou desempenho elevado, com R² de 0,996977, embora tenha apresentado erros superiores aos modelos baseados em árvores, com RMSE de 20,22 e MAE de 15,04. Considerando conjuntamente as métricas R², RMSE e MAE, o Random Forest apresentou o melhor desempenho no conjunto de teste entre os modelos avaliados, demonstrando sua robustez na previsão do gasto total.

A validação cruzada em cinco partições reforçou a consistência do desempenho observado. O Random Forest apresentou um R² médio de 0,999039 e baixo desvio-padrão, indicando um desempenho elevado e estável entre as diferentes divisões dos dados. A regressão Ridge obteve um R² médio de aproximadamente 0,9977, enquanto o XGBoost apresentou uma média aproximada de 0,9959, com maior variabilidade entre as partições.

Dessa forma, o Random Forest manteve o melhor desempenho também na validação cruzada, tanto em nível médio de explicação da variabilidade quanto em estabilidade entre os subconjuntos avaliados. A relação entre os valores observados e estimados pelo Random Forest apresentou forte proximidade em torno da linha de referência, refletindo os baixos valores de erro obtidos pelo modelo. A pequena dispersão visual observada é consistente com o R² elevado e com os valores reduzidos de RMSE e MAE.

Embora o desempenho dos modelos tenha sido muito elevado, esse resultado deve ser interpretado à luz da estrutura do conjunto de dados. A regressão Ridge, mesmo sendo um modelo linear regularizado, alcançou um R² superior a 0,996, sugerindo a presença de relações fortemente estruturadas e próximas de linearidade entre o Total Spend e as variáveis explicativas disponíveis. Esse comportamento é compatível com a natureza sintética da base, na qual as relações entre as variáveis podem apresentar maior regularidade do que aquela esperada em dados reais de comércio eletrônico.

Dessa forma, os resultados demonstram que os modelos foram capazes de reproduzir com elevada precisão os padrões internos do conjunto analisado, mas não constituem evidência de desempenho equivalente em ambientes reais. O elevado desempenho obtido também é coerente com os padrões observados nas etapas exploratória e de segmentação, nas quais consumidores com maior quantidade de itens adquiridos, melhores avaliações e determinados perfis de associação apresentaram níveis distintos de gasto acumulado. Entretanto, as relações identificadas pelos modelos devem ser interpretadas como associações presentes na base, não como evidências causais sobre os fatores que determinam o gasto dos consumidores.

Em síntese, os modelos supervisionados apresentaram elevada capacidade de estimar o gasto total observado dentro da base analisada, com destaque para o Random Forest, que demonstrou o melhor desempenho tanto no conjunto de teste quanto na validação cruzada. A elevada capacidade explicativa também observada no modelo Ridge sugere forte estruturação das relações entre as variáveis do conjunto sintético. Assim como na tarefa de classificação da satisfação, os resultados devem ser compreendidos como evidências de desempenho interno à base, não como garantia de generalização para consumidores reais sem validação externa.

Discussão integrada dos resultados

A análise integrada dos resultados reforça a compreensão de que o comportamento dos consumidores no comércio eletrônico é multifacetado, não podendo ser simplificado a uma única dimensão. As diversas etapas analíticas, desde a exploração inicial até a modelagem supervisionada, convergiram para a identificação de padrões complexos que combinam gasto, intensidade de compra, recência, avaliação e satisfação, sublinhando a relevância de abordagens multidimensionais na ciência de dados para a compreensão do perfil do consumidor.

A segmentação de clientes por K-Means revelou sete agrupamentos distintos, cada um com uma combinação particular das características analisadas. Essa abordagem demonstrou que consumidores com níveis semelhantes em uma dimensão específica nem sempre exibem comportamentos equivalentes em outras. Por exemplo, o cluster três, que apresentou um gasto médio superior a alguns grupos, também registrou o maior intervalo médio desde a última compra, indicando uma complexidade que transcende classificações simplistas de “melhor” ou “pior” cliente.

Os resultados deste trabalho são compatíveis com abordagens de segmentação comportamental empregadas em estudos anteriores no contexto do comércio eletrônico, como os de Xiahou e Harada (2022) e Rahman et al. (2025). Contudo, é importante notar que, no presente estudo, a variável “Items Purchased” foi utilizada como uma aproximação da frequência de compra devido à ausência de uma variável que registrasse o número efetivo de transações. Essa limitação impede a interpretação do componente de frequência como transacional, diferenciando a aplicação de estudos baseados em históricos completos de compra.

A análise RFM reforçou a heterogeneidade comportamental observada na segmentação, organizando as observações em categorias exploratórias de recência, intensidade de compra e gasto. A maior concentração na categoria “At Risk” (39,14% dos consumidores) deve ser interpretada como um rótulo descritivo derivado dos intervalos do escore RFM, e não como uma evidência de risco real de abandono. As categorias RFM, assim como o “Engagement Score”, foram construídas de forma exploratória e heurística, servindo como ferramentas comparativas internas à base de dados.

Um dos padrões mais consistentes identificados foi a associação entre satisfação e recência de compra. A análise exploratória demonstrou que consumidores classificados como “Unsatisfied” apresentaram, em média, períodos mais elevados desde a última compra em comparação com as categorias “Neutral” e “Satisfied”. Essa diferença foi confirmada pelo teste de Kruskal-Wallis, indicando que as distribuições de recência não eram equivalentes entre os níveis de satisfação, estabelecendo uma associação significativa dentro da base analisada.

Embora esse resultado seja relevante para a caracterização dos perfis presentes na base, ele não permite estabelecer uma direção causal. Não é possível determinar, a partir dos dados disponíveis, se a insatisfação antecedeu o maior período sem compras, se a redução da atividade contribuiu para a avaliação de satisfação ou se ambas estão associadas a outras características não representadas no conjunto de dados. Essa associação, contudo, encontra paralelo na literatura que relaciona satisfação à continuidade do comportamento de compra em comércio eletrônico, mesmo que os construtos e métodos utilizados em outros estudos não sejam diretamente equivalentes às variáveis desta pesquisa.

A elevada separabilidade observada entre satisfação e outras características da base também se refletiu na modelagem supervisionada. Os modelos Random Forest e XGBoost classificaram corretamente todas as observações do conjunto de teste, enquanto a Regressão Logística apresentou acurácia de 0,9714. A validação cruzada manteve valores igualmente elevados, indicando que o desempenho não ficou restrito a uma única divisão dos dados, o que sugere uma forte estruturação das relações internas na base.

Entretanto, resultados próximos à classificação perfeita devem ser interpretados com cautela. O fato de todas as 89 observações situadas acima do limiar operacional de inatividade pertencerem à classe “Unsatisfied”, associado às diferenças marcantes de recência entre as classes, revela uma estrutura altamente regular na base. Dessa forma, o elevado desempenho pode refletir principalmente a separabilidade inerente aos dados sintéticos, e não necessariamente a capacidade dos algoritmos de generalizar para consumidores reais em ambientes de comércio eletrônico.

Essa interpretação é reforçada pela análise de importância das variáveis. No Random Forest, Days Since Last Purchase, Total Spend, Items Purchased e Average Rating apresentaram contribuições relevantes para a classificação da satisfação. No XGBoost, por outro lado, a elevada importância atribuída especificamente à categoria City_Houston sugere a presença de padrões particulares da geração sintética dos dados, não sendo adequado interpretar esse resultado como evidência de influência geográfica causal sobre a satisfação dos consumidores.

A tarefa de regressão para estimar o gasto total apresentou comportamento semelhante. O Random Forest alcançou um R² de 0,999396 no conjunto de teste e manteve um R² médio de 0,999039 na validação cruzada. Embora esse desempenho demonstre elevada capacidade de reproduzir os padrões internos da base, a Regressão Ridge também apresentou um R² superior a 0,996, mesmo utilizando uma estrutura linear regularizada, o que sugere relações fortemente estruturadas e próximas de linearidade entre o Total Spend e as variáveis explicativas disponíveis no conjunto sintético analisado.

O desempenho elevado de um modelo linear sugere que as relações entre o Total Spend e as variáveis explicativas apresentam forte estruturação no conjunto sintético analisado. Em dados provenientes de consumidores reais, espera-se maior presença de ruído, variáveis não observadas e comportamentos menos regulares, razão pela qual os resultados não devem ser extrapolados diretamente para aplicações comerciais. Considerados em conjunto, os resultados indicam que o perfil dos consumidores representados na base foi diferenciado principalmente pela combinação entre intensidade de compra, gasto acumulado, recência, avaliação e satisfação.

A análise de agrupamentos mostrou que essas dimensões se combinam de maneiras distintas entre os consumidores; os indicadores derivados permitiram sintetizar parte dessas diferenças; e os modelos supervisionados demonstraram que as características originais da base possuem forte relação com satisfação e gasto total observado. Dessa forma, as técnicas de machine learning empregadas cumpriram uma função instrumental no estudo: permitiram organizar, comparar e representar padrões comportamentais presentes no conjunto de dados. O principal resultado não reside no desempenho isolado dos algoritmos, mas na identificação de diferentes configurações de comportamento entre os consumidores e na compreensão das relações existentes entre consumo, recência, avaliação e satisfação dentro da estrutura da base analisada.

4. Conclusão

O presente trabalho buscou analisar o comportamento e o perfil de clientes de comércio eletrônico a partir de características demográficas, comportamentais, financeiras e perceptivas, com o intuito de identificar padrões relacionados ao consumo, à satisfação e à recência de compra. Verificou-se que o comportamento dos consumidores representados na base é multifacetado, não se restringindo a uma única dimensão. A segmentação por K-Means identificou sete agrupamentos distintos, cada um com combinações particulares de gasto, intensidade de compra, recência, avaliação e idade. Observou-se uma associação consistente entre o nível de satisfação e a recência de compra, onde consumidores insatisfeitos apresentaram, em média, períodos mais longos desde a última interação. Adicionalmente, os modelos supervisionados demonstraram elevada capacidade de classificar os níveis de satisfação e estimar o gasto total, com Random Forest e XGBoost atingindo desempenho máximo na classificação e Random Forest apresentando R² de 0,999396 na estimativa de gasto. A principal contribuição do estudo reside na demonstração do papel instrumental das técnicas de ciência de dados para organizar, comparar e representar padrões comportamentais complexos, permitindo uma compreensão integrada dos perfis de consumo e das relações entre as variáveis na base analisada.

Contudo, é fundamental reconhecer as limitações inerentes à natureza sintética e ao tamanho reduzido do conjunto de dados utilizado. As relações observadas apresentaram uma regularidade elevada, o que levou a desempenhos de modelo próximos da perfeição, não sendo, portanto, generalizáveis para consumidores reais sem validação externa. A utilização de “Items Purchased” como proxy para frequência de compra e a natureza descritiva do indicador de inatividade também limitam inferências sobre o comportamento transacional e o risco de abandono. Para estudos futuros, sugere-se a aplicação da estrutura analítica desenvolvida a bases de dados reais e longitudinais, que incluam histórico de transações e outras características comportamentais, a fim de avaliar a estabilidade e a generalização dos padrões identificados em contextos de comércio eletrônico mais complexos e dinâmicos.

Referências Bibliográficas

Digital marketing, E-commerce and pandemia: a bibliographic review on the brazilian panorama. Research, Society and Development, [S. I.], v. 10, n. 5, p. e45210515054, 2021. DOI: 10.33448/rsd-v10i5.15054. Disponível em: https://rsdjournal.org/rsd/article/view/15054. Acesso em: 2 nov. 2025.

RAHMAN, M. et al. Customer Segmentation and Churn Prediction Based on K-Means and Random Forest: A Case Study of E-commerce Data. 2025. Acesso em: 23 abr 2026

ROSSI, Carlos Alberto; SLONGO, Luiz. Pesquisa de satisfação de clientes: 0 estado-da-arte e proposição de um método brasileiro. Revista de Administração Contemporânea, v. 2, n. 1, p. 101-125, Jan./Abr. 1998. Disponível em: https://www.scielo.br/j/rac/a/nwpfNHVMj4LYjbrxbQmCFNS/?lang=pt. Acesso em: 02 nov. 2025.

THARMALIGAN, LAKSIKA. E-commerce Customer Behavior Dataset. Kaggle, ano. Disponível em: https://www.kaggle.com/datasets/uom190346a/e-commerce-customer-behavior-dataset. Acesso em: 04 jan 2026.

WANG, Y.; CHEN, L. A Hybrid Prediction Model for E-Commerce Customer Churn Based on Logistic Regression and XGBoost. Ingénierie des Systèmes d’Information, v. 24, n. 5, p. 517-523, 2019. Acesso em: 23 abr 2026.

XIAHOU, X.; HARADA, Y. B2C E-Commerce Customer Churn Prediction Based on K-Means and SVM. Journal of Theoretical and Applied Electronic Commerce Research, v. 17, n. 2, p. 458-475, 2022. Acesso em: 23 abr 2026.

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