Segmentação de Clientes Bancários com K-means para Perfil de Risco e Retenção

Adriano Martins Pereira; Edilson José Rodrigues

DOI: 10.22167/2675-6528-202602613

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

A segmentação de clientes com base em dados financeiros e comportamentais mostrou-se relevante para apoiar decisões de relacionamento, crédito e retenção, visto que bases heterogêneas dificultavam a definição de estratégias únicas para todos os perfis. O estudo teve como objetivo geral segmentar clientes a partir de variáveis numéricas de perfil econômico e uso de produtos, identificando agrupamentos com características semelhantes e analisando sua associação com indicadores de risco e comportamento, como atrasos nos últimos 12 meses, abertura de e-mails e churn. A pesquisa utilizou abordagem aplicada e quantitativa, com dados estruturados e pré-processados (tratamento de inconsistências e padronização por z-score), seguida da aplicação do algoritmo K-means em variáveis numéricas. O número de clusters foi definido por critérios complementares (método do cotovelo e índice de silhueta), e os agrupamentos foram visualizados por meio de PCA em duas dimensões, além de serem descritos por estatísticas e distribuições. Os resultados evidenciaram três grupos com separação visual consistente e tamanhos distintos, além de padrões empíricos relevantes: variáveis de capacidade econômica e de crédito apresentaram associações positivas entre si, enquanto endividamento se relacionou negativamente ao score e positivamente aos atrasos, e churn mostrou relações mais modestas com os indicadores avaliados. Concluiu-se que a clusterização estruturou perfis interpretáveis e coerentes com sinais de risco e comportamento, oferecendo base objetiva para análises gerenciais e direcionamento de ações por grupo.

Palavras-chave: Comportamento do cliente; Mineração de dados; Retenção; Risco de crédito; Segmentação.

1. Introdução

A transformação digital tem impulsionado significativamente a capacidade das organizações de coletar, armazenar e analisar grandes volumes de dados sobre clientes, transações e interações ao longo do tempo. Em setores altamente competitivos, como o bancário, o varejo e os serviços, essa evolução tem levado à crescente adoção de abordagens analíticas avançadas. Tais abordagens visam apoiar decisões estratégicas relacionadas à segmentação de mercado, à gestão de relacionamento com o cliente (CRM), à retenção de clientes e à mitigação de riscos operacionais e financeiros.

Nesse cenário, a segmentação de clientes transcende uma prática meramente descritiva de marketing, consolidando-se como um recurso estratégico fundamental. Ela permite às organizações compreender padrões de comportamento, identificar grupos com necessidades e perfis distintos e, consequentemente, orientar intervenções mais eficientes. A literatura especializada enfatiza que a criação de valor em CRM depende, em grande medida, da capacidade de converter dados brutos em conhecimento acionável sobre a heterogeneidade dos clientes, seu comportamento e potencial de relacionamento (Payne & Frow, 2005).

Apesar da crescente disponibilidade de dados, um desafio persistente para as organizações reside na dificuldade de sintetizar a vasta diversidade de perfis de clientes presentes em bases de dados extensas e multivariadas. Clientes podem exibir padrões distintos de consumo, níveis de endividamento, uso de crédito, investimentos e adimplência. Essas diferenças nem sempre são facilmente discerníveis por meio de análises univariadas ou por simples estratificações, o que dificulta a formulação de estratégias únicas e eficazes para todos os segmentos.

Para endereçar essa complexidade, técnicas de aprendizado não supervisionado tornam-se particularmente úteis, pois permitem identificar estruturas latentes nos dados sem a necessidade de rótulos pré-definidos. A análise de cluster, nesse contexto, oferece um conjunto de métodos que agrupam observações em conjuntos internamente homogêneos e heterogêneos entre si. Isso contribui para uma compreensão aprofundada dos padrões de comportamento e para a geração de hipóteses sobre perfis de clientes (Jain, 2010; Everitt et al., 2011).

Entre os métodos de clusterização, o algoritmo K-means destaca-se por sua simplicidade, escalabilidade e interpretação direta. Proposto por MacQueen (1967) e consolidado por Lloyd (1982) e Hartigan e Wong (1979), o K-means busca particionar os dados em k grupos, minimizando a variância dentro de cada cluster. Isso garante que as observações em cada grupo se aproximem de um centróide representativo.

A aplicação do K-means, contudo, exige cuidados metodológicos específicos. É fundamental o tratamento e a padronização das variáveis, por exemplo, via z-score, para evitar que atributos com escalas distintas dominem o processo de agrupamento (Hair et al., 2010). A definição do número adequado de clusters (k) também é uma decisão crítica, que pode ser apoiada por métricas como o coeficiente de silhueta (Rousseeuw, 1987) e o Adjusted Rand Index (Hubert e Arabie, 1985), que avaliam a coesão e a separação entre os grupos.

A relevância prática da clusterização se intensifica quando conectada a decisões de negócio. A segmentação baseada em comportamento financeiro, por exemplo, pode apoiar ações de retenção e prevenção de evasão de clientes, conhecida como churn, ao indicar grupos com maior propensão a abandonar serviços. Políticas generalistas tendem a ser menos custo-efetivas do que intervenções segmentadas (Neslin et al., 2006; Verbeke et al., 2012). Adicionalmente, a distinção entre perfis contribui para a formulação de políticas de risco e limites de crédito mais alinhadas ao comportamento histórico e à capacidade de pagamento dos clientes (Hand & Henley, 1997; Thomas et al., 2002).

Assim, ao agrupar clientes por padrões de renda, gastos, endividamento, score de crédito e histórico de atraso, torna-se possível discutir, de maneira fundamentada, as diferenças entre perfis e suas implicações para a gestão de relacionamento e risco. Diante desse contexto, este trabalho tem como objetivo aplicar técnicas de clusterização com ênfase no K-means para segmentar clientes a partir de variáveis financeiras quantitativas, avaliando a qualidade e a estabilidade das partições (por exemplo, via silhueta e ARI) e interpretando os clusters obtidos em termos de comportamento e indicadores relevantes para decisões de CRM e risco, como inadimplência, atraso e possível propensão ao churn.

2. Material e Métodos

A pesquisa adotou uma abordagem quantitativa, exploratória e aplicada, com o objetivo de segmentar clientes a partir de variáveis numéricas para gerar conhecimento útil à prática organizacional. O caráter exploratório buscou identificar padrões latentes em dados sem categorias pré-definidas, enquanto a natureza aplicada focou no apoio a decisões gerenciais (Gil, 2008; Vergara, 2016). A unidade de análise consistiu em 1.500 registros individuais de clientes. A base de dados, tratada como secundária e proveniente de um arquivo tabular CSV, reuniu variáveis quantitativas sobre comportamento financeiro, incluindo renda mensal, gasto no cartão, investimentos, limite de crédito, saldo em conta, endividamento, score de crédito, número de produtos, compras mensais, abertura de e-mails, atrasos nos últimos 12 meses e churn. Princípios de confidencialidade e anonimização foram observados.

As análises foram desenvolvidas em ambiente computacional Python, utilizando bibliotecas como pandas e numpy para manipulação de dados. O scikit-learn foi empregado para pré-processamento e modelagem de clusterização, incluindo o algoritmo K-means e métricas de avaliação. Visualizações foram geradas com matplotlib. Parâmetros como seeds (random_state) e intervalos testados para k foram controlados para garantir a reprodutibilidade dos procedimentos.

O pré-processamento dos dados visou assegurar consistência e comparabilidade. Realizou-se inspeção geral para identificar estrutura, tipos de variáveis, valores ausentes, duplicidades e inconsistências. Valores ausentes e registros inconsistentes foram tratados, e variáveis convertidas para formatos apropriados. A seleção de atributos para a clusterização considerou apenas variáveis quantitativas, alinhada à dependência do K-means de medidas de distância em escalas numéricas comparáveis (Vergara, 2016). A padronização foi feita por z-score (StandardScaler), garantindo contribuição equilibrada de cada atributo. Verificações de distribuição e dispersão identificaram e trataram outliers.

A estratégia de clusterização adotou o algoritmo K-means como método principal, buscando particionar as observações em k grupos, minimizando a variabilidade interna e maximizando a separação entre clusters (MacQueen, 1967; Lloyd, 1982; Hartigan & Wong, 1979). A definição do número de clusters (k) foi orientada pelo método do cotovelo (Elbow), que avalia a inércia, e pelo coeficiente de silhueta (Rousseeuw, 1987), que mede coesão e separação (Gil, 2008). Após a seleção de k, o modelo K-means foi treinado com controle explícito de parâmetros para garantir consistência.

A avaliação e validação do agrupamento verificaram a qualidade interna, separação entre grupos e estabilidade frente a variações de inicialização (Gil, 2008; Vergara, 2016). A robustez foi avaliada por análise de estabilidade com múltiplas inicializações, e a concordância entre partições mensurada pelo Adjusted Rand Index (ARI) (Hubert e Arabie, 1985). Os índices Davies-Bouldin e Calinski-Harabasz complementaram a validação. A Análise de Componentes Principais (PCA) foi empregada para visualização e apoio interpretativo, projetando os dados em duas ou três dimensões para inspeção visual da separação entre clusters (Jolliffe, 2002).

A interpretação dos clusters foi realizada após a definição do agrupamento final, caracterizando os perfis por meio de estatísticas descritivas (média, mediana, desvio-padrão, quartis) para variáveis numéricas e distribuições de frequência para variáveis categóricas (Wedel & Kamakura, 2000). Cruzamentos por cluster examinaram diferenças de prevalência e intensidade de indicadores gerenciais, como atraso e churn, apoiando estratégias de CRM e retenção (Payne & Frow, 2005). Os procedimentos de análise foram estruturados em um pipeline sequencial, garantindo consistência e rastreabilidade (Fayyad, Piatetsky-Shapiro, & Smyth, 1996; Kelleher, Mac Namee, & D’Arcy, 2015). Os resultados foram organizados em tabelas de apoio, visualizações e uma base final com a identificação do cluster atribuída a cada registro (Provost & Fawcett, 2013).

3. Resultados e Discussão

A análise dos dados revelou padrões importantes na base de clientes, fornecendo uma compreensão aprofundada sobre o comportamento financeiro e a interação com os serviços. Os resultados iniciais permitiram contextualizar a heterogeneidade da amostra, enquanto a aplicação do algoritmo K-means gerou uma segmentação robusta e interpretável. Essa abordagem se alinha ao objetivo do estudo de identificar agrupamentos com características semelhantes, apoiando decisões estratégicas de relacionamento, crédito e retenção, conforme a literatura sobre CRM e mineração de dados (Payne & Frow, 2005; Jain, 2010).

A clusterização final, com três grupos distintos, demonstrou que é possível estruturar perfis de clientes que refletem diferentes capacidades econômicas, níveis de risco e padrões de engajamento. A interpretação detalhada de cada cluster, baseada em variáveis financeiras e comportamentais, oferece subsídios concretos para a formulação de estratégias direcionadas, superando as limitações de abordagens generalistas. A validação do agrupamento por múltiplas métricas e a análise propositiva dos perfis reforçam a utilidade gerencial dos achados, conectando a análise de dados a implicações práticas para o negócio.

Caracterização inicial das variáveis e distribuição de eventos

Inicialmente, a análise da taxa de abertura de e-mails, um indicador de engajamento, revelou uma concentração majoritária de clientes com percentuais entre 20% e 45%. Observou-se também a presença de uma parcela de registros com engajamento muito baixo, próximo de 0%, e uma cauda à direita que se estende para valores acima de 60%. Esse comportamento sugere a coexistência de grupos de clientes com níveis variados de interação com as campanhas de comunicação, indicando a necessidade de estratégias de comunicação segmentadas para otimizar o engajamento.

A distribuição do número de atrasos nos últimos 12 meses, um indicador de risco de inadimplência, mostrou uma concentração em valores baixos a moderados, com a maior frequência observada entre 2 e 6 atrasos. Embora a maioria dos registros apresentasse menos de 8 atrasos, a presença de uma cauda à direita, com ocorrências acima de 10 atrasos, evidenciou uma heterogeneidade significativa no comportamento de pagamento. Esse padrão é crucial para a diferenciação de perfis de risco na etapa de segmentação, permitindo identificar clientes com maior propensão à inadimplência.

A variável Churn, que representa o evento binário de evasão de clientes, apresentou um forte desbalanceamento, com a predominância de registros na classe 0 (não-churn) e uma parcela menor na classe 1 (churn). Embora o evento de churn seja minoritário na base, o que é comum em problemas de evasão, esse desbalanceamento não impede o agrupamento. Contudo, exige que as diferenças entre clusters em relação ao churn sejam comparadas em termos proporcionais (percentuais) e não apenas por contagens absolutas, para uma interpretação mais precisa dos perfis.

A distribuição das categorias de cliente, que incluíam os níveis Regular, Intermediário e Premium, revelou que a maior parte da base se enquadra na categoria Regular, seguida pela Intermediário e, por último, pela Premium. Essa composição sugere que a base de clientes é majoritariamente composta por perfis de menor valor agregado, com uma fração menor de clientes de alto valor. Essa informação é valiosa para o cruzamento posterior com os clusters, permitindo verificar se a segmentação numérica se alinha às classificações de valor já existentes e apoia a formulação de estratégias de fidelização e retenção.

Relações lineares entre variáveis numéricas (correlação de Pearson)

A matriz de correlação de Pearson revelou um bloco de correlações positivas fortes entre diversas variáveis financeiras. A Renda_Mensal, por exemplo, apresentou uma correlação elevada de aproximadamente 0,96 com o Limite_Credito, e associações relevantes com Gasto_Cartao e Investimentos. Esse padrão indica que clientes com maior renda tendem a possuir limites de crédito mais altos, gastar mais no cartão e manter volumes maiores de investimento, o que é coerente com a lógica de que capacidade econômica e oferta de crédito estão interligadas no relacionamento bancário.

Em contraste, a variável Endividamento demonstrou uma correlação fortemente negativa de aproximadamente -0,91 com o Score_Credito, além de correlações negativas moderadas com outras variáveis financeiras. Esse achado sugere que um maior endividamento está associado a um score de crédito mais baixo e a uma menor capacidade financeira geral. Essa relação é fundamental para diferenciar perfis de risco, pois o endividamento e o score de crédito atuam como eixos de contraste importantes na segmentação dos clientes.

No eixo de eventos e comportamento, a variável Atrasos_12m apresentou uma correlação positiva de aproximadamente 0,51 com o Endividamento e uma correlação negativa de aproximadamente -0,47 com o Score_Credito. Esses padrões indicam que mais atrasos estão associados a um maior endividamento e a um score de crédito mais baixo, o que se alinha à literatura de credit scoring (Hand & Henley, 1997; Thomas et al., 2002). Clientes com maior pressão financeira e histórico de atrasos tendem a apresentar piores escores, reforçando a coerência interna dos dados.

A variável Churn mostrou uma correlação positiva moderada de aproximadamente 0,38 com o Endividamento e uma correlação negativa moderada de aproximadamente -0,38 com o Score_Credito. Esses resultados sugerem que o churn tende a ocorrer mais em perfis com maior endividamento e menos em perfis com score de crédito mais alto. Embora essas associações não configurem causalidade, elas indicam padrões lineares na amostra que são consistentes com achados de retenção em serviços financeiros, onde a deterioração do pagamento e o aumento do risco elevam a probabilidade de evasão (Verbeke et al., 2012).

A taxa de Abertura_Email_Pct, por sua vez, apresentou correlações fracas com as demais variáveis. Esse resultado pode indicar que o engajamento por e-mail, isoladamente, não captura toda a dinâmica do relacionamento com o cliente. A literatura de CRM sugere que indicadores de contato precisam ser integrados com variáveis de uso, valor e risco para explicar de forma mais completa a retenção de clientes (Payne & Frow, 2005). A análise de correlação, portanto, confirmou a interdependência de algumas variáveis financeiras e a relevância de indicadores de risco para a segmentação.

Definição do número de clusters (K) e ajuste do K-means

A escolha do número de clusters (k) foi uma decisão analítica central, avaliada por meio de dois critérios complementares: o método do cotovelo (Elbow) e o índice de silhueta. O método do cotovelo, que analisa o comportamento da inércia (soma dos erros quadráticos intra-cluster), evidenciou uma queda mais acentuada da inércia ao passar de k=2 para k=3. A partir de k=4, as reduções tornaram-se progressivamente menores, indicando que os ganhos de compactação se tornavam marginais. Esse padrão sugere que k=3 representa um ponto de equilíbrio que adiciona detalhamento sem aumentar excessivamente a complexidade.

O índice de silhueta, que avalia simultaneamente a coesão interna e a separação entre clusters, apresentou seu maior valor em k=2, com uma redução marcada em k=3 e queda gradual para valores maiores. Embora k=2 indicasse a separação média mais forte, a configuração com três grupos permaneceu viável e mais informativa para a caracterização dos perfis. A adoção de k=3 foi, portanto, um compromisso analítico entre a estrutura de agrupamento e a granularidade dos perfis, buscando uma segmentação que fosse tanto matematicamente razoável quanto gerencialmente útil.

Validação complementar da solução de agrupamento

A validação complementar da solução de agrupamento reforçou a escolha de k=3, considerando múltiplos critérios. O índice Davies-Bouldin, que mede a relação entre dispersão interna e separação entre grupos (valores menores são preferíveis), apresentou 0,7516 para k=2 e 0,9605 para k=3. Por outro lado, o índice Calinski-Harabasz, que compara a dispersão entre clusters com a dispersão interna (valores maiores são preferíveis), atingiu seu maior valor em k=3 (1.726,55), superando o valor de k=2 (1.662,11). Esses resultados, em conjunto com a silhueta e a inércia, indicaram que k=3, embora com menor separação média que k=2, preserva uma boa qualidade interna e uma relação favorável entre dispersão intergrupos e intragrupos.

Para a solução final com k=3, as distâncias médias das observações aos respectivos centróides foram de 2,3075 no Cluster 0, 1,4738 no Cluster 1 e 1,7153 no Cluster 2. As distâncias entre os centróides foram de 7,8268 entre os Clusters 0 e 1, 4,9294 entre os Clusters 0 e 2, e 3,0880 entre os Clusters 1 e 2. Esses valores demonstram que as distâncias entre os centros dos grupos são superiores às distâncias médias internas, confirmando a homogeneidade intracluster e a heterogeneidade intercluster da solução. A análise de estabilidade, realizada por múltiplas inicializações, resultou em um Adjusted Rand Index (ARI) médio de 1,0, indicando alta consistência das partições obtidas e reforçando a confiabilidade da segmentação.

Visualização dos clusters via PCA (2D)

A projeção dos clusters em duas dimensões, utilizando a Análise de Componentes Principais (PCA), permitiu uma visualização da disposição relativa dos grupos gerados pelo K-means. Embora a PCA não altere a atribuição dos clusters, ela facilita a inspeção visual do grau de separação e a identificação de possíveis zonas de sobreposição. Observou-se uma separação predominante ao longo do eixo PC1, com o Cluster 2 concentrado em valores mais negativos, o Cluster 1 em valores mais positivos e o Cluster 0 em posição intermediária. Essa distribuição visual sugere que os clusters ocupam regiões distintas no espaço projetado, mesmo com alguma sobreposição parcial nas regiões centrais, o que é esperado em dados reais com perfis contínuos e variáveis correlacionadas (Jolliffe, 2002).

Distribuição de registros por cluster

Após o ajuste do K-means com k=3, a distribuição dos registros por cluster indicou a formação de três grupos com tamanhos distintos. Os Clusters 0 e 2 apresentaram maior volume de registros, enquanto o Cluster 1 foi o menor. Esse padrão sugere a existência de dois perfis mais frequentes na base e um perfil menos comum, mas ainda relevante para a caracterização. Em termos operacionais, a leitura do tamanho relativo dos grupos é útil para orientar a priorização de análises complementares, especialmente ao comparar a distribuição de churn, atrasos e engajamento entre os perfis, permitindo alocar recursos de forma mais eficiente.

Em síntese, os resultados iniciais evidenciaram heterogeneidade no engajamento por e-mail, no histórico de atrasos e na presença de churn. Além disso, um conjunto de correlações fortes entre variáveis financeiras sustentou padrões consistentes de capacidade e comportamento. A definição de k=3 foi apoiada pelo método do cotovelo e complementada pelo índice de silhueta, e a projeção em PCA permitiu visualizar a separação relativa dos grupos. A caracterização numérica detalhada de cada cluster, por meio de médias, medianas e percentis por variável, bem como a distribuição de churn, atrasos e categoria de cliente dentro de cada grupo, foi fundamental para a interpretação dos perfis.

O perfil médio dos clientes por cluster, conforme a análise, revelou distinções claras entre os grupos. O Cluster 1 (n=272) destacou-se como o perfil de maior valor e menor risco, apresentando as maiores médias de Renda Mensal (12.476,80 R$), Gasto no Cartão (3.238,55 R$), Investimentos (21.386,40 R$), Limite de Crédito (19.745,22 R$), Saldo em Conta (8.964,19 R$), Número de Produtos (5,42) e Compras Mensais (16,27). Além disso, este grupo registrou o menor Endividamento (0,23), o maior Score de Crédito (817,65), a menor média de Atrasos nos Últimos 12 Meses (1,42) e o menor percentual de Churn (6,9%). Esse perfil representa clientes com alta capacidade econômica, intenso uso financeiro e baixo risco, sendo prioritário para estratégias de fidelização e expansão de relacionamento.

O Cluster 0 (n=622) assumiu uma posição intermediária, com indicadores financeiros moderados e risco controlado. Este grupo apresentou médias de Renda Mensal (5.842,31 R$), Gasto no Cartão (1.486,27 R$), Investimentos (7.914,66 R$), Limite de Crédito (8.621,58 R$), Saldo em Conta (3.118,75 R$), Número de Produtos (3,18) e Compras Mensais (9,64). Seu Endividamento foi de 0,46, o Score de Crédito de 682,40, a média de Atrasos nos Últimos 12 Meses de 3,78 e o percentual de Churn de 15,8%. Este grupo é relevante para ações de desenvolvimento de relacionamento e retenção preventiva, com potencial para crescimento gradual e manutenção da base.

O Cluster 2 (n=606) caracterizou-se como o perfil de maior vulnerabilidade e risco. Este grupo registrou as menores médias de Renda Mensal (2.913,44 R$), Gasto no Cartão (748,92 R$), Investimentos (2.146,73 R$), Limite de Crédito (3.911,36 R$), Saldo em Conta (1.204,51 R$), Número de Produtos (2,11) e Compras Mensais (5,83). Em contrapartida, apresentou o maior Endividamento (0,72), o menor Score de Crédito (528,17), a maior média de Atrasos nos Últimos 12 Meses (6,31) e o maior percentual de Churn (29,7%). Este perfil demanda políticas de mitigação de risco, renegociação e comunicação direcionada, visando à recuperação e regularização do relacionamento.

A taxa de Abertura de E-mails também variou entre os clusters. O Cluster 1 demonstrou o maior engajamento, com 47,91% de abertura, seguido pelo Cluster 0, com 34,82%, e pelo Cluster 2, com o menor engajamento, registrando 24,36%. Essa diferença no engajamento de comunicação é um indicativo de que os clientes de maior valor e menor risco (Cluster 1) são mais responsivos às comunicações, enquanto os de maior risco (Cluster 2) são menos engajados, o que pode influenciar a eficácia das campanhas de marketing e relacionamento.

Essa leitura detalhada dos perfis reforçou que a segmentação não apenas separou clientes por similaridade matemática, mas também produziu grupos com significado gerencial claro para decisões de crédito, relacionamento e retenção. A capacidade econômica mais elevada e o menor risco no Cluster 1, a posição intermediária e o risco controlado no Cluster 0, e a menor capacidade econômica e maior risco no Cluster 2, são informações que permitem direcionar ações específicas para cada segmento, otimizando a gestão do portfólio de clientes.

Análise propositiva dos perfis

A análise propositiva dos perfis, elaborada no formato FOFA (Forças, Oportunidades, Fraquezas e Ameaças), traduziu os resultados da segmentação em possibilidades de atuação gerencial. Para o Cluster 1, identificado como o perfil de maior valor e menor risco, as Forças incluem maior renda, score de crédito elevado, investimentos substanciais, saldo em conta e uso ampliado de produtos, além de baixos índices de churn e atrasos. A principal Fraqueza é a concentração de valor, que aumenta a relevância da retenção. As Oportunidades residem na fidelização, relacionamento premium, ampliação de investimentos e ofertas personalizadas, enquanto as Ameaças envolvem a evasão para concorrentes e a perda de clientes de alto valor. O Direcionamento para este grupo é priorizar a retenção, a personalização e a expansão responsável do relacionamento.

Para o Cluster 0, caracterizado como perfil intermediário, as Forças são a capacidade financeira moderada, o risco controlado e um relacionamento já estabelecido. As Fraquezas incluem indicadores de valor e engajamento inferiores aos do Cluster 1, além de um churn intermediário. As Oportunidades se concentram no desenvolvimento do relacionamento, no aumento do engajamento e na ampliação gradual de produtos. As Ameaças para este grupo são a migração para um perfil de maior risco ou a perda de relacionamento por baixa ativação. O Direcionamento recomendado é aplicar retenção preventiva, comunicação segmentada e ofertas compatíveis com a capacidade do cliente.

Por fim, para o Cluster 2, que representa o perfil de maior vulnerabilidade e risco, a principal Força é o potencial de recuperação e a possibilidade de um relacionamento orientado à regularização. As Fraquezas são a menor renda e score de crédito, o maior endividamento, os altos índices de atrasos e churn, e o menor engajamento. As Oportunidades incluem renegociação de dívidas, educação financeira e revisão de condições de crédito, além de comunicação preventiva. As Ameaças são a inadimplência, a evasão, a deterioração adicional do risco e a redução do relacionamento. O Direcionamento para este grupo é priorizar a mitigação de risco, o acompanhamento, a renegociação e intervenções precoces, visando à recuperação e estabilização do cliente.

Essas diretrizes de ação, derivadas da análise propositiva, devem ser entendidas como apoio à decisão e não como regras automáticas para concessão de crédito ou tratamento individual. Elas permitem que a organização adote estratégias diferenciadas: para o Cluster 1, a prioridade é preservar clientes de maior valor e baixo risco por meio de fidelização e personalização (Payne & Frow, 2005). Para o Cluster 0, as ações podem focar no desenvolvimento do relacionamento e na retenção preventiva. Para o Cluster 2, a prioridade é reduzir vulnerabilidades por meio de acompanhamento, renegociação e comunicação direcionada, alinhando-se à gestão de risco e retenção.

Os resultados obtidos respondem ao objetivo geral do estudo, que era segmentar clientes a partir de variáveis financeiras e comportamentais, identificando agrupamentos com características semelhantes e analisando sua associação com indicadores de risco e comportamento. A solução com três clusters produziu uma segmentação visualmente consistente na projeção PCA e com tamanhos de grupos suficientemente distintos para apoiar a leitura gerencial, transformando dados multivariados em perfis interpretáveis, um aspecto crucial em estudos de segmentação (Wedel & Kamakura, 2000). A análise exploratória das distribuições e a matriz de correlação confirmaram padrões consistentes de capacidade econômica, endividamento e risco, fornecendo a base empírica para a interpretação da estrutura do comportamento financeiro na amostra. A escolha de três clusters, embora a silhueta tenha indicado maior separação em dois, foi sustentada pelo ponto de inflexão na inércia e pela visualização em PCA, favorecendo uma segmentação mais informativa e aplicável. Essa abordagem permitiu organizar a base em grupos distinguíveis e coerentes com relações esperadas entre capacidade financeira, risco de crédito e sinais de atrito, oferecendo uma base objetiva para descrever perfis e direcionar análises posteriores por cluster.

4. Conclusão

O estudo visou segmentar clientes a partir de variáveis financeiras e comportamentais, identificando agrupamentos com características semelhantes e analisando sua associação com indicadores de risco e comportamento. A aplicação do algoritmo K-means, após pré-processamento e padronização dos dados, estruturou a base de clientes em três perfis distintos. Verificou-se que o Cluster 1 representava clientes de maior valor e menor risco, caracterizados por elevada renda, investimentos substanciais e baixo endividamento, além de menores índices de atrasos e churn. O Cluster 0 posicionou-se como um perfil intermediário, com indicadores financeiros moderados e risco controlado. Por sua vez, o Cluster 2 foi identificado como o grupo de maior vulnerabilidade, apresentando menor capacidade econômica, maior endividamento e os mais altos percentuais de atrasos e churn. A análise de correlação confirmou padrões consistentes, como a associação positiva entre capacidade econômica e crédito, e a relação negativa entre endividamento e score de crédito, que se alinhou a um maior número de atrasos e maior propensão ao churn. Essa segmentação forneceu uma base objetiva e interpretável para a gestão de relacionamento e risco, permitindo a formulação de estratégias diferenciadas para cada segmento.

A escolha de três clusters, embora o índice de silhueta tenha indicado maior separação em dois grupos, foi sustentada pelo método do cotovelo e pela visualização em PCA, favorecendo uma granularidade mais informativa para a aplicação gerencial. Contudo, o estudo reconhece limitações inerentes à abordagem, como a sensibilidade do K-means a outliers e a influência de variáveis correlacionadas na definição dos centróides. Adicionalmente, a explicação completa do churn pode demandar a inclusão de variáveis adicionais de relacionamento ou a aplicação de modelos supervisionados em estudos futuros. Recomenda-se que pesquisas subsequentes explorem a integração de dados qualitativos e a aplicação de técnicas de aprendizado de máquina supervisionado para aprimorar a capacidade preditiva de eventos como o churn, além de aprofundar a análise das diretrizes de ação propostas para cada cluster.

Referências Bibliográficas

Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster analysis (5th ed.). Wiley.

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. Al Magazine, 17(3), 37–54.

Gil, 2008 [Referência completa não encontrada no documento original]

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Pearson.

Hand, D. J., & Henley, W. E. (1997). Statistical classification methods in consumer credit scoring: A review. Journal of the Royal Statistical Society: Series A (Statistics in Society), 160(3), 523-541.

Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A k-means clustering algorithm. Journal of the Royal Statistical Society: Series C (Applied Statistics), 28(1), 100–108.

Hubert, L., & Arabie, P. (1985). Comparing partitions. Journal of Classification, 2(1), 193–218.

Jain, A. K. (2010). Data clustering: 50 years beyond k-means. Pattern Recognition Letters, 31(8), 651-666.

Jolliffe, I. T. (2002). Principal component analysis (2nd ed.). Springer.

Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2015). Fundamentals of machine learning for predictive data analytics: Algorithms, worked examples, and case studies. MIT Press.

Lloyd, S. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137.

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In L. M. Le Cam & J. Neyman (Eds.), Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability (Vol. 1, pp. 281–297). University of California Press.

Neslin, S. A., Gupta, S., Kamakura, W., Lu, J., & Mason, C. H. (2006). Defection detection: Measuring and understanding the predictive accuracy of customer churn models. Journal of Marketing Research, 43(2), 204–211.

Payne, A., & Frow, P. (2005). A strategic framework for customer relationship management. Journal of Marketing, 69(4), 167–176.

Provost, F., & Fawcett, T. (2013). Data science for business: What you need to know about data mining and data-analytic thinking. O’Reilly Media.

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65.

Thomas, L. C., Edelman, D. B., & Crook, J. N. (2002). Credit scoring and its applications. SIAM.

Verbeke, W., Martens, D., & Baesens, B. (2012). Social network analysis for customer churn prediction. Applied Soft Computing, 14, 431-446.

Vergara, 2016 [Referência completa não encontrada no documento original]

Wedel, M., & Kamakura, W. A. (2000). Market segmentation: Conceptual and methodological foundations (2nd ed.). Kluwer Academic Publishers.

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