FEAD-MINAS CENTRO DE GESTÃO EMPREENDEDORA NÚCLEO DE PÓS-GRADUAÇÃO E PESQUISA

MESTRADO EM ADMINISTRAÇÃO MODALIDADE: PROFISSIONALIZANTE

FIDELIDADE EM TELEFONIA CELULAR:

PROPOSIÇÃO E VALIDAÇÃO DE UM ÍNDICE PARA PREVISÃO DA FIDELIDADE DE CLIENTES

Ana Denise Silva Veloso

Belo Horizonte - MG

2006

ii

Ana Denise Silva Veloso

FIDELIDADE EM TELEFONIA CELULAR:

PROPOSIÇÃO E VALIDAÇÃO DE UM ÍNDICE PARA PREVISÃO DA FIDELIDADE DE CLIENTES

Dissertação apresentada ao Curso de Mestrado

em Administração: Modalidade Profissionalizante

da FEAD - Minas – Centro de Gestão

Empreendedora, como requisito parcial para

obtenção do título de Mestre em Administração.

Área de Concentração: Gestão Estratégica de

Organizações

Orientador: Prof. Dr. José Marcos Carvalho de Mesquita

Belo Horizonte - MG FEAD-MINAS

2006

iii

Dedicatória

Dedico este trabalho a meu marido, Romero, e a

meus filhos, Julia e Gustavo, por quem não meço

esforços. Vocês são o alvo do meu amor e a razão

de minha alegria de viver.

iv

Agradecimentos

Agradeço a Deus, por iluminar meu caminho; a

meus pais, que, de uma forma ou de outra, sempre

me apoiaram e impulsionaram; a meus colegas do

mestrado, pelo compartilhamento muitos momentos

felizes e grandes experiências; aos professores,

pela competente orientação e ensinamentos.

Em especial, minha gratidão a Romero, meu

marido, e a meus filhos, Julia e Gustavo, por

estarem ao meu lado, mesmo quando eu estava

distante, me dedicando a este trabalho.

v

“O fim da longa odisséia de retorno ao lar não se encontra no

término da viagem, como conquista dos triunfos da profissão

e do trabalho. Ele se encontra em todos os pontos do

caminho. Mas isto somente aqueles que têm olhos de

criança podem ver.” (Rubem Alves)

vi

RESUMO

No mercado de telecomunicações, fica evidenciado que a concorrência e a competição

emergentes no país, decorrentes da privatização do setor, tornam os consumidores

rentáveis cada vez mais o alvo preferido das políticas de fidelização por parte das

operadoras de telefonia celular. Nesse contexto, a pesquisa apresentada foi elaborada

a partir de informações fornecidas por clientes de uma operadora de telefonia celular

atuando no mercado de Minas Gerais, com o intuito de avaliar a forma como o perfil de

utilização dos serviços por parte dos clientes e o relacionamento dos mesmos com a

operadora e sua prestação de serviços afetam seu comprometimento e sua lealdade e,

a partir desses dados, construir um índice de fidelização por cliente. O referencial

teórico que embasou esta pesquisa contempla o comportamento do consumidor, o

conceito de fidelidade, inteligência de marketing para tomada de decisão estratégica de

manutenção de clientes, gestão de relacionamento com cliente e técnicas de

mineração de dados, sendo, portanto, um estudo de natureza quantitativo-descritiva. O

processo de análise utilizou dados de fonte secundária disponíveis nos bancos de

dados da operadora estudada, que foram explorados por técnicas de mineração de

dados, utilizando como ferramenta a técnica estatística de análise de regressão

logística. A utilização da base interna de dados da empresa contendo a relação

completa dos clientes tem a vantagem de permitir que todos estes sejam identificados

e classificados pela regra proposta no índice. Assim, torna-se mais efetiva a adoção de

um programa de fidelização direcionado para os clientes que compõem a base de risco

de cancelamento da empresa. Foi proposto um modelo para estimar a probabilidade de

cancelamento do contrato por parte do cliente, e os resultados confirmam a

possibilidade de se detectar preventivamente a intenção de cancelamento. Embora

inicialmente mais de 350 variáveis tenham sido analisadas, o modelo revelou apenas

18 variáveis significativas para a obtenção do índice proposto.

Palavras-chave: Fidelização; Relacionamento com clientes; Telefonia Móvel Celular;

Data Mining; Regressão Logística.

vii

ABSTRACT

FIDELITY IN MOBILE TELEPHONE SERVICES: PROPOSITION AND VALIDATION OF AN INDEX FOR PREVIEWING FIDELITY

In the Brazilian telecommunications market, it is evident that the emerging competition,

due to the privatization of the sector, increasingly make potentially lucrative consumers

the target of loyalty policies designed by cellular telephony operators. In this context,

the present research was elaborated based on the information provided by a number

of clients from a cellular telephony company operating in the Minas Gerais State

market. The research evaluated the way how clients’ service utilization profile and their

relationship with the operator, besides its services, affect their commitment and loyalty.

So, it was made a client loyalty index from these data. The theoretical model in this

research is proposed in light of the consumers’ behavior, the fidelity concept,

marketing intelligence refering to client’s loyalty strategic decision, client relationship

management and data mining techniques. Thus, this is a quantitative and descriptive

study. The analysis process used data obtained from a secondary source, available in

the data bank from the studied operator. These data were explored by data mining

techniques, using specifically the logistic regression analysis statistic technique. It is

an advantage using the company’s internal data base containing a complete list of its

clients; as they can all be identified and classified by the rule proposed in the index.

Therefore, it will be possible to design a loyalty program for those clients who are more

likely to cancel their contract with the company. It was proposed a model to estimate

the probability of contract cancellation by the client and the results obtained attested

the possibility of a cancellation intention prior detection. Although over 350 variables

were analyzed initially, the model revealed only 18 significant variables to the

proposed index obtaining.

Key words: Loyalty; Customer Relationship; Cellular Mobile Telephony; Data Mining;

Logistic Regression.

viii

LISTA DE TABELAS

1- Penetração do mercado celular ..................................................................

3

2- Resumo dos filtros aplicados para seleção das variáveis ..........................

54

3- Faixas de tráfego entre cidades do Estado de Minas Gerais (VC2) ...........

58

4- Avaliação da relação entre as faixas de tráfego VC2 e o status do cliente

58

5- Avaliação da relação entre as faixas agregadas de tráfego VC2 e o status do cliente ..........................................................................................

59

6- Teste de hipótese para a variável Tráfego VC2 .........................................

60

7- Correlação entre as variáveis de Tráfego e os valores faturados ..............

61

8- Plano amostral e margens de erro ............................................................. 64

9- Amostra de análise: Modelo para previsão da fidelidade de clientes de telefonia celular ...........................................................................................

66

10- Amostra de validação: Modelo para previsão da fidelidade de clientes em telefonia celular ...........................................................................................

67

11- Classificação dos modelos aplicados por grupos de clientes .....................

69

12- Acuracidade dos modelos propostos ..........................................................

70

13- Testes de verificação da qualidade dos modelos .......................................

71

14- Universo de clientes: estimativa do índice de fidelidade ............................

74

ix

LISTA DE ILUSTRAÇÕES

Quadro 1- Descrição das variáveis integrantes do modelo .................................... 63

Quadro 2- Fatores determinantes de risco e proteção para a base de clientes .... 69

Figura 1- Forma da relação logística entre variáveis dependente e independente........................................................................................

49

Figura 2- Esquema simplificado das dimensões de registro de tráfego................

55

Gráfico 1 – Distribuição do trafego médio por contrato, em minutos ......................... 56

Gráfico 2 – Distribuição de freqüência do tráfego sainte de interurbanos no Estado de Minas Gerais (VC2) ................................................................

57 Gráfico 3 – Curva ROC para o universo .................................................................... 72

Gráfico 4 – Curva ROC para a amostra de análise ................................................... 72

Gráfico 5 – Curva ROC para a amostra de validação ............................................... 72

Gráfico 6 – Universo de clientes: modelo ajustado da probabilidade de cancelamento de contratos .....................................................................

73 Gráfico 7 - Tempo de base (em dias) ....................................................................... 75

Gráfico 8 – Razão entre o tempo de tráfego e o tempo apto a gerar tráfego ............ 76

Gráfico 9 – Razão entre o tráfego total médio dos últimos 3 meses e o tráfego total médio .......................................................................................................

77 Gráfico 10 – Histórico de tráfego outgoing médio mensal por usuário (em minutos)

77

Gráfico 11 – Razão entre o tráfego total médio recebido e o tráfego total médio Gerado .................................................................................................

78

Gráfico 12 – Tráfego médio mensal gerado pelos clientes (em minutos) ................. 78

Gráfico 13 – Razão de contas pagas em atraso ....................................................... 80

Gráfico 14 – Quantitativo médio de contas pagas em atraso .................................... 80

x

Gráfico 15 – Razão entre o valor médio da assinatura e o valor médio da fatura ..... 81

Gráfico 16 – Pagamentos efetuados mediante débito automático ............................ 82

Gráfico 17 – Percentual de clientes que receberam contato ativo de cobrança ........ 83

Gráfico 18 – Universo de clientes: % de envio de nomes de clientes a um órgão de proteção ao crédito ...............................................................................

83 Gráfico 19 – Número de vezes que o cliente foi enviado a um órgão de

proteção ao crédito ...............................................................................

84 Gráfico 20 – Cancelamento de serviço de Caixa Postal por cliente .......................... 84

Gráfico 21 – Média mensal de solicitação de informações gerais por cliente ...........

85

Gráfico 22 – Percentual de solicitação de informações sobre cancelamento ...........

86

Gráfico 23 – Percentual de solicitação de cancelamento .......................................... 86

Gráfico 24 – Percentual de clientes que solicitaram cancelamento e foram retidos com custo .............................................................................................

87 Gráfico 25 – Percentual de clientes que solicitaram cancelamento e foram retidos

sem custo ..............................................................................................

87 Gráfico 26 – Percentual de clientes que solicitaram cancelamento e foram retidos

pelo termo de fidelidade ........................................................................

88

xi

SUMÁRIO

1 INTRODUÇÃO......................................................................................................... 1

1.1 Justificativa e problemática ............................................................................... 7

1.2 Problema de Pesquisa ...................................................................................... 8

1.3 Objetivos ........................................................................................................... 9

1.3.1 Objetivo Geral............................................................................................ 9

1.3.2 Objetivos Específicos ................................................................................ 9

1.4 Estrutura da dissertação ................................................................................... 9

2 REFERENCIAL TEÓRICO..................................................................................... 10

2.1 Comportamento do consumidor ...................................................................... 10

2.2 Conceito de fidelidade..................................................................................... 15

2.3 Inteligência de marketing para tomada de decisão estratégica de

manutenção de clientes .................................................................................. 26

2.4 Administração do relacionamento com os clientes ......................................... 32

2.5 Identificação de padrões de comportamento de clientes (Data Mining) .......... 35

3 METODOLOGIA .................................................................................................... 39

3.1 Planejamento Amostral ................................................................................... 41

3.2 Técnica de Regressão Logística ..................................................................... 46

3.3 Medidas de Ajuste do Modelo ......................................................................... 50

3.3.1 Análise da Curva ROC ........................................................................... 50

3.3.2 Estatística de Kolmogorov-Smirnov (KS)................................................. 51

3.3.3 Distância de Mahalanobis........................................................................ 51

xii

4 COLETA E ANÁLISE DOS DADOS....................................................................... 53

4.1 Descrição das variáveis .................................................................................. 53

4.1.1 Análise das variáveis brutas .................................................................... 54

4.1.2 Transformação das variáveis brutas em variáveis derivadas .................. 57

4.1.3 Variáveis associadas - Testes de hipóteses para avaliar a

associação das variáveis com o churn voluntário ................................... 59

4.1.4 Análise de Correlação ou Associação ..................................................... 61

4.2 Perfil das amostras.......................................................................................... 64

4.3 Análise de regressão logística para construção e validação do modelo ......... 64

4.3.1 Ajuste dos modelos amostrais: Amostra de análise e amostra de

validação................................................................................................. 65

4.3.2 Interpretação dos coeficientes do modelo ajustado................................. 68

4.3.3 Avaliação da consistência do modelo construído .................................... 69

4.3.4 Aplicação dos resultados obtidos para o universo a partir do

modelo ajustado...................................................................................... 73

4.4 Análise exploratória das variáveis que compõem o modelo............................ 74

4.4.1 Avaliação do tempo de base dos clientes................................................ 74

4.4.2 Avaliação do tráfego dos clientes ............................................................ 75

4.4.3 Perfil de Pagamento das faturas.............................................................. 79

4.4.4 Utilização de Serviços ............................................................................. 84

4.4.5 Interações com Call Center ..................................................................... 85

4.4.6 Informações sobre cancelamento............................................................ 86

5 CONCLUSÕES E COMENTÁRIOS FINAIS .......................................................... 90

5.1 Limites da pesquisa e sugestões para trabalhos futuros................................. 92

6 REFERÊNCIAS ..................................................................................................... 93

1

1 INTRODUÇÃO

O mercado de telecomunicações móveis tem revelado um crescimento que superou,

e muito, as estimativas do projeto inicial de privatização do setor. Em 2000, a

Agência Nacional de Telecomunicações, no documento PASTE 2000/20051, previa

que em 2004, o Brasil teria 53 milhões de celulares e, em 2005, esse número

chegaria a 58 milhões. Os dados reais evidenciaram, contudo, que o ano de 2004

terminou com 66 milhões de celulares e 2005 terminou com 86 milhões de acessos

móveis celulares. (ANATEL, 2006)2.

Acredita-se que a abertura de mercado (quebra de monopólio) tenha gerado

grandes expectativas nos consumidores, os quais, por sua vez, começaram a

apresentar maiores sinais de exigência com relação aos produtos e serviços

ofertados, fazendo com que as empresas se empenhassem em atuar em

consonância com a demanda dos clientes. Portanto, conhecer as oscilações do nível

de satisfação dos consumidores com os serviços oferecidos e o grau de fidelidade

dos clientes passou a constituir uma relevante fonte de informações, para que a

empresa saiba em quais aspectos está apresentando um bom desempenho e em

quais precisa melhorar, para garantir sua competitividade e rentabilidade em longo

prazo.

As acentuadas mudanças tecnológicas a que se tem assistido nas últimas décadas e

a volatilidade dos diferenciais mercadológicos têm promovido uma grande busca em

1 AGÊNCIA NACIONAL DE TELECOMUNICAÇÕES – ANATEL. Perspectivas para ampliação e modernização do setor de telecomunicações. Brasília. Disponível em: <http:/www.anatel.gov.br>, acesso em 13/10/2005 2 AGÊNCIA NACIONAL DE TELECOMUNICAÇÕES – ANATEL. Dados de acessos móveis em operação e densidade, por unidade da federação, do serviço móvel pessoal. Brasília. Disponível em: <http:/www.anatel.gov.br>, acesso em 22/03/2005.

2

conhecer melhor o perfil, o comportamento, as necessidades e aspirações dos

clientes, objetivando disponibilizar-lhes produtos e serviços diferenciados. Para Silva

(2003), o grande diferencial competitivo no mercado de serviços de telefonia celular

é atualmente determinado pela qualidade e pelos benefícios oferecidos pelos

produtos e serviços, em detrimento do preço, que não é mais o fator determinante.

Entender o relacionamento dos clientes com a operadora de telefonia celular é

fundamental não apenas para que a empresa conquiste novos clientes, mas também

para que mantenha seus assinantes em sua base. Segundo Vavra (1993),

conquistar novos clientes pode até ser uma tarefa fácil, todavia a sua manutenção é

um dos fatores-chave para o sucesso de uma empresa.

Alguns fatores têm influenciado positivamente o mercado da telefonia móvel no país,

abrindo novas perspectivas para o setor, entre as quais se destacam: a

democratização da telefonia que, ao contrário do que se pensava, está ocorrendo

por meio do celular e não do telefone fixo, com forte tendência ao barateamento do

serviço de telefonia móvel; o crescimento do setor e as novas aquisições de licenças

por parte das operadoras, indicando um aumento na oferta e possibilitando a

inferência de que a nova tecnologia se faz importante nas relações interpessoais; o

uso de estratégias agressivas de captação pelas operadoras de telefonia móvel, que

têm desenvolvido técnicas aprimoradas de marketing para captar novos clientes.

Por outro lado, algumas ameaças pairam sobre o cenário futuro do setor, de forma

restritiva, tais como: a regulamentação da Anatel; a possibilidade do fim da

obrigatoriedade da assinatura da telefonia fixa; os cenários incertos com relação à

tecnologia de terceira geração; a nova linguagem de comunicação que mescla

3

tecnologia computacional e telefonia VoIP3 (voz sobre IP), além da convergência de

soluções entre telefonia fixa e a móvel.

O mercado mineiro de telefonia celular, objeto dessa pesquisa, encontra-se em

crescente expansão, conforme evidencia a TAB. 1. O número de usuários tem-se

elevado de forma exponencial. Quanto ao crescimento, observa-se que, após um

período de elevadas taxas de expansão entre 1999 e 2000, houve um período de

desaceleração; e em 2003 e 2004, houve uma retomada do crescimento.

Tabela 1 Penetração do mercado celular em Minas Gerais (1998/2004)

Período Relação População/Usuários 1998 1999 2000 2001 2002 2003 2004 População* (milhões) 17.679 17.914 18.149 18.385 18.623 18.861 19.101 Total de usuários (milhões) 463 1.004 1.920 2.604 3.327 4.533 6.450 Taxa de Penetração 2,62% 5,60% 10,58% 14,16% 17,87% 24,03% 34,38%Taxa de Crescimento** 114% 89% 34% 26% 35% 43% *População Estimada **Em relação ao total de usuários Fonte: www.anatel.gov.br, 2005. (Adaptação)

De acordo com a Anatel (2006), Minas Gerais terminou o ano de 2005 com 8,8

milhões de celulares, o que representa uma estimativa de penetração de 46%.

Outro aspecto importante a ser considerado no cenário do setor de

telecomunicações móveis diz respeito ao cancelamento do contrato de clientes,

designado por churn, que significa perda de clientes de uma empresa.

Existem dois tipos de churn: o voluntário e o involuntário. O churn voluntário ocorre

quando o cliente, por vontade própria, solicita à operadora o cancelamento da

prestação dos serviços. Tal solicitação pode ser motivada por razões relacionadas

3 VoIP, sigla em inglês que significa Protocolo da Internet

4

diretamente à sua relação com a operadora (insatisfação, ofertas mais agressivas

dos concorrentes, por exemplo, que o fazem optar por outra operadora) ou por

razões que fogem ao controle tanto do cliente quanto da operadora (mudança de

estado/país, falecimento, problemas financeiros, etc.). O churn involuntário, por sua

vez, é resultado de uma ação da própria operadora, que, por inadimplência do

cliente ou por detecção de alguma fraude, decide cancelar o contrato, para que não

sejam computadas perdas financeiras maiores.

A taxa de infidelidade (churn) é medida pela proporção de clientes em relação à

base média de assinantes que se desvinculam de seu prestador de serviço. Pode

ser calculada mensalmente ou por ano. É um indicador de insatisfação ou de

mobilidade dos clientes. A taxa de churn é um importante fator no negócio de

operadoras de redes móveis. Pode ser afetada pelo preço competitivo entre

prestadores de serviço e pela facilidade de escolha e troca de prestador

(WIKIPEDIA, 2006) 4.

O foco de qualquer estratégia de retenção de clientes baseada em dados atua

sempre sobre o cliente que possa vir a ser um churn voluntário, por razões

controláveis e passíveis de ações de reversão da decisão do cliente. Esse é o

principal tipo de churn e o que causa os maiores prejuízos. Além disso, o perfil desse

tipo de cliente pode ser identificado por meio de suas características no banco de

dados. Quanto ao churn involuntário, ao invés de a empresa adotar estratégias de

retenção ou fidelização, desenvolve ações de anti-fraude ou de cobrança.

4 <http://en.wikipedia.org/wiki/Churn_rate>. Acesso em: 06/02/2006.

5

Está em fase de estudos uma nova modalidade de telefonia que deve entrar em

vigor no Brasil a partir de 2007: a portabilidade numérica, cuja fase inicial vai

envolver o Serviço Móvel Pessoal - SMP.

A perspectiva de que o Brasil adote a portabilidade na telefonia móvel cria uma série

de desafios para as operadoras, em relação à redução da taxa de churn, já que uma

de suas principais armas para reter sua base de assinantes está com os dias

contados. Quando a portabilidade numérica entrar em vigor no país, os assinantes

poderão mudar de operadora, sem terem de enfrentar os transtornos de trocar o

número do telefone, como acontece hoje.

O principal impacto da adoção desse modelo no país, segundo Core (2004), deve

ser para as operadoras, as quais terão de investir quantias significativas em infra-

estrutura e plataformas, para se adequarem às mudanças, sem, contudo, o

correspondente aumento na base de usuários:

Os clientes e fabricantes de celular são os que mais ganham com isso, pois a tendência mostra que o número de aparelhos comercializados aumenta, assim como as promoções e serviços para os assinantes.

Core (2004) prevê um aumento do churn entre as provedoras, quando da

implementação dessa nova modalidade, mas acredita também no “roubo mútuo”, ou

seja, o número de clientes perdidos e ganhos será, praticamente, o mesmo.

Fazendo uma comparação com a Itália, o analista destaca que a média de tempo útil

de um celular passou de, aproximadamente, um ano e meio para oito meses, após a

portabilidade, movimento estimulado pelas próprias teles, que distribuíram aparelhos

para seus assinantes: "As provedoras de serviço terão de adotar métodos como os

já praticados pelas companhias aéreas e pelas empresas de cartão de crédito,

oferecendo prêmios aos assinantes".

6

Kon (2005) acredita que, para as empresas com negócios baseados em assinaturas,

o churn é um tema crucial, pois mesmo uma pequena redução na taxa de churn

pode ter um impacto enorme na empresa.

Atualmente, os gestores, ao tomarem decisões quanto aos aspectos que precisam

ser melhorados no atendimento aos clientes, baseiam-se em estudos de mercado

sobre os clientes atuais e sobre os que optaram pela troca de operadora,

disponibilizando até mesmo ofertas paliativas para "salvar" clientes. Nenhuma

dessas abordagens resolve o problema do churn ou fornece um diagnóstico preciso

das razões que levam os clientes a abandonarem determinado serviço. A situação

tende a piorar quando decisões se fundamentam em dados potencialmente errôneos

sobre a satisfação expressa pelos clientes, quanto aos produtos e serviços da

empresa, levando à perda de oportunidades, à diminuição da eficácia dos

investimentos e ao aumento da taxa de churn.

Há três elementos que precisam ser considerados na interação de um cliente com

um serviço baseado em assinaturas:

• Experiência do cliente: Que serviços mensuráveis são prestados ao cliente pela

operadora?

• Percepção dos clientes: Como o cliente avalia tais serviços?

• Comportamento dos clientes: Qual o real comportamento do cliente após essas

experiências com o serviço prestado?

É essencial entender profundamente esses componentes e a maneira como se

relacionam uns com os outros, de forma a melhorar os elementos da experiência do

cliente e garantir sua satisfação e fidelidade. Essa análise nem sempre é fácil, mas

7

permite alcançar resultados bastante conclusivos, possibilitando nova análise sobre

os custos e benefícios e a maximização do impacto dos investimentos nos serviços.

O levantamento das tendências do setor ajuda também a orientar o planejamento de

ações capazes de levar a organização a um posicionamento alinhado com seus

objetivos. Segundo Porter (1999),

O estrategista que deseje posicionar sua empresa para adequar-se melhor ao ambiente do setor ou influenciá-lo a favor da empresa, tem que aprender o que impulsiona esse ambiente.

1.1 Justificativa e problemática

O quadro do mercado de telecomunicações móveis delineado sugere ser pertinente

e oportuna a realização de estudo com vistas a buscar explicação para a fidelidade

dos clientes e definir ações capazes de favorecer a ampliar sua satisfação e

fidelidade. Acredita-se que, por meio de uma avaliação positiva, a empresa pode, no

mínimo, caminhar para um posicionamento que lhe garanta vantagens competitivas

sustentáveis.

Tal aprendizagem torna-se necessária no atual contexto de competitividade do

mercado, uma vez que os relacionamentos duradouros com os usuários têm

implicações na rentabilidade das operadoras.

Além disso, não se pode perder de vista que o foco da gestão empresarial tem-se

deslocado do produto para o cliente, considerando seu valor como um ativo para o

negócio. Os gerentes têm sofrido forte pressão para garantir o máximo retorno

possível aos investimentos dos acionistas, sendo-lhes exigido que tornem a empresa

mais eficiente que suas concorrentes. Em face dessa demanda, as empresas têm

buscado reunir um volume cada vez maior de informações detalhadas sobre seus

8

clientes, para subsidiar o processo de tomada de decisões estratégicas. Como

novas tecnologias permitem a personalização de produtos e serviços, maior

comunicação e individualização de preços, esse contexto faz com que um novo

paradigma para a gestão surja sob a ótica da vantagem competitiva baseada em

recursos superiores: a gestão do valor do cliente (HOGAN, LEMON e RUST, 2002).

É importante considerar ainda que a agilidade e o dinamismo do setor de telefonia

celular não estão permitindo demora na identificação dos clientes infiéis e na adoção

de estratégias para mantê-los, razão pela qual acredita-se ser essencial a

determinação de um índice de fidelidade, que possa ser utilizado para orientar a

definição das ações de fidelização das empresas.

1.2 Problema de Pesquisa

Segundo Kotler (2001), a construção de modelos para entender o perfil e o

comportamento do consumidor é uma das formas pelas quais as organizações

podem trabalhar não só a questão da satisfação e fidelidade de seus consumidores,

com maior compreensão dos aspectos valorizados pelos clientes em produtos e

serviços, mas também a mensuração desse fenômeno (KOTLER, 2001).

Segundo Reichheld (2000), se a empresa analisar o comportamento dos clientes

antes de se afastarem, poderá identificar os padrões de deserção e, assim, evitar

que se repitam em outros compradores e até mesmo reter quem estiver a ponto de

partir.

Tendo em vista essas perspectivas, formulou-se o seguinte problema de pesquisa:

Que variáveis interferem na determinação de um índice de fidelidade dos

clientes de uma operadora mineira5 de telefonia móvel?

5 A direção da operadora não permitiu sua identificação.

9

1.3 Objetivos

1.3.1 Objetivo Geral

Construir um índice de fidelização de clientes de uma operadora mineira de telefonia

celular, quanto ao relacionamento empresa/clientes, com vistas a direcionar e

aperfeiçoar a implantação de ações que permitam a fidelidade de sua base de

clientes.

1.3.2 Objetivos Específicos

• identificar as variáveis que explicam a fidelização dos clientes no contexto

estudado;

• avaliar a consistência do índice construído, através de dados internos.

1.4 Estrutura da dissertação

O primeiro capítulo contextualiza o tema, a problemática da pesquisa e seus

objetivos; o segundo apresenta uma revisão da literatura pesquisada sobre o

assunto, enfocando as principais teorias e idéias dos autores consultados, as quais

orientam este estudo; o terceiro descreve a metodologia utilizada na construção do

índice desenvolvido para identificar a intenção de cancelamento do serviço pelo

cliente. O quarto capítulo aborda o processo de coleta e análise dos dados,

apresenta e discute os resultados obtidos; o quinto capítulo registra as conclusões e

recomendações da pesquisadora, além de sugestões de novos trabalhos na mesma

linha teórica desta pesquisa; por fim, são apresentadas as referências bibliográficas

e os apêndices.

10

2 REFERENCIAL TEÓRICO Neste capítulo é feita uma revisão da literatura sobre o comportamento do

consumidor, definindo-se e aprofundando-se conceitos referentes a

fidelidade/lealdade, inteligência de marketing para tomada de decisão estratégica de

manutenção de clientes, gestão de relacionamento com cliente (CRM - Costumer

Relationship Management) e exploração de dados referentes à base de clientes

(Data Mining). Este último é particularmente importante, por ser a base utilizada para

a construção do índice proposto e devido ao rigor que deve ser dado à medição e à

criação de índices.

2.1 Comportamento do consumidor

Para a comercialização eficaz de serviços, é preciso entender os processos usados

pelos consumidores durante o estágio de compra. É muito importante entender os

consumidores, a maneira como escolhem os serviços alternativos que lhes são

oferecidos e como avaliam esses serviços após recebê-los (HOFFMAN e

BATESON, 2003).

Segundo Engel et al. (2000), o comportamento do consumidor é a somatória das

atividades diretamente envolvidas em obter, consumir e descartar produtos e

serviços, incluindo os processos decisórios que antecedem e sucedem tais ações.

A complexidade do comportamento de compra, a multiplicidade e a variedade dos

fatores postos em jogo dificultam a tarefa dos pesquisadores ávidos por uma síntese

11

que represente a realidade, havendo, portanto, a necessidade de ajuda de

estruturas simplificadas, geralmente chamadas de modelos.

No processo de compra de um bem ou serviço, diversos são os aspectos

relacionados à decisão de compra do consumidor. Geralmente a tomada de decisão

de compra é uma resposta a um estímulo inicial. As decisões de compra por parte

de um consumidor estão diretamente relacionadas às características do comprador,

aos estímulos existentes e a seus processos de decisão (KOTLER, 2000).

O Modelo de Estímulo e Resposta apresentado pelo referido autor pode facilitar o

entendimento dessas relações. Esse modelo salienta a presença de fatores de

estímulo provenientes tanto do ambiente externo, como do comportamento

mercadológico da empresa ou ainda de situações do ambiente em que o consumidor

está inserido ou do próprio consumidor. A relevância dos estímulos é

inquestionável, assim como a percepção do consumidor quanto ao valor de

determinado bem ou serviço.

Segundo Kotler (2000), a definição de valor (para o consumidor) pode ser resumida

em função da seguinte equação:

Valor recebido pelo cliente = Valor total para o cliente – Custo total para o cliente;

O valor total para o cliente é o conjunto de benefícios que o usuário espera de

determinado produto ou serviço; já o custo total é o conjunto de custos que o cliente

espera atingir quando da avaliação, obtenção, utilização e descarte do produto ou

serviço.

12

Identificada a necessidade ou desejo de compra de um bem ou serviço e

determinada a expectativa de valor a ser alcançada nessa compra, inicia-se então

um processo contínuo, não restrito somente à aquisição, mas envolvendo as

influências existentes no antes, durante e depois da compra propriamente dita.

Engel et al. (2000) descrevem a interação destas três etapas de compra, ao delinear

o Modelo de Processo de Decisão do Consumidor e seus Resultados. Sua descrição

percorre todo o caminho do comprador, a partir do reconhecimento de sua

necessidade de compra, a busca de informações externas e internas, a avaliação de

alternativas de compra, a compra propriamente dita e os resultados obtidos com a

nova aquisição.

Os citados autores definem o reconhecimento da necessidade como a percepção da

diferença entre o estado desejado de coisas e a situação real, suficiente para

despertar e ativar o processo decisório. Segundo seu ponto de vista, o

reconhecimento de uma necessidade depende essencialmente do nível de

discrepância entre a situação atual do consumidor (estado real) e a situação em que

ele quer estar (estado desejado). Quanto maior for a discrepância, mais essa

necessidade será reconhecida; proporcionalmente, quanto menor for a discrepância,

menos a necessidade será reconhecida.

Uma vez reconhecida uma necessidade, o consumidor buscará satisfazê-la. Engel et

al. (2000) conceituam essa busca como a ativação da memória para a aquisição de

informação, seja recuperando seu conhecimento (busca interna), seja coletando

informações de mercado (busca externa).

13

Kotler (2000) descreve o processo de avaliação de alternativas em três etapas: na

primeira, o consumidor tenta satisfazer sua necessidade; na segunda, ele busca

certos benefícios no produto ou serviço e, por último, observa em cada produto ou

serviço um conjunto de atributos.

Uma vez tomada a decisão pela compra, o consumidor pode efetivá-la rapidamente

(em especial se o produto ou serviço estiver em promoção), pode desistir, se

considerar que suas necessidades não estão sendo atendidas, ou adiá-la em

função de uma possível economia. O processo de modificar, adiar ou rejeitar a

compra é altamente influenciado, segundo o autor, pelo risco percebido, que pode

variar de acordo com o montante de dinheiro envolvido, o nível de incerteza quanto

aos atributos e o nível de autoconfiança do consumidor.

A pós-compra, por sua vez, pode resultar em satisfação ou insatisfação. Segundo

Hoffman e Bateson (2003), os consumidores avaliam os serviços comparando suas

expectativas com sua percepção quanto ao serviço que lhes foi prestado. Se o

serviço percebido foi igual ou superior ao esperado, o consumidor fica satisfeito.

Cada um desses estágios percorridos pelo consumidor tem suas características

próprias e relevâncias para o entendimento do processo. Para Engel et al. (2000),

todos os estágios podem ser explorados, a fim de facilitar o processo decisório do

consumidor, podendo oferecer, dessa maneira ganhos substanciais na decisão de

compra e re-compra de bens ou serviços.

Este estudo se restringe à etapa de pós-compra. Segundo Lovelock et al. (2001), os

clientes continuam o processo iniciado na etapa de encontro do serviço, avaliando

sua qualidade e a própria satisfação ou insatisfação com a experiência vivenciada. O

14

resultado desse processo afetará suas intenções futuras, inclusive quanto a se

permanecerão fiéis a seu fornecedor de serviço e se farão recomendações positivas

a seu respeito para membros de sua família e conhecidos.

Zeithaml et al. (2003) descrevem o comportamento do consumidor de serviços em

quatro categorias principais: busca de informação; avaliação de alternativas; compra

e consumo; avaliação pós-venda. Na compra de serviços, essas categorias não

ocorrem em uma seqüência linear, como nos casos de compra de bens. Outro fator

relevante no consumo de serviços é o papel da cultura. A cultura é aprendida,

compartilhada e transmitida de uma geração para outra. É importante em marketing

de serviços, por causa de seus efeitos na maneira como os clientes avaliam e usam

os serviços e na forma como as empresas e seus funcionários interagem com os

clientes.

Zeithaml et al. (2003) recomendam aos prestadores de serviços que mudem seu

composto de marketing buscando reconhecer os diferentes comportamentos de

compra do consumidor e seus processos de avaliação.

A grande preocupação dos autores é a lacuna entre a expectativa do consumidor e a

qualidade do serviço que lhe foi prestado, aspecto contemplado em seu “Modelo

Integrado de Lacunas da Qualidade de Serviços”. Esse modelo trabalha os

conceitos centrais, as estratégias e as decisões concernentes ao marketing de

serviços, começando com o cliente e construindo as tarefas da organização, ao

longo do que é considerado necessário para a superação do problema. As

empresas, buscando preencher essa lacuna, adotam estratégias para satisfazer os

clientes e construir relações de longo prazo com eles. O modelo aponta quatro

outras lacunas que precisam ser igualmente eliminadas. 1 - Não conhecer a

15

expectativa do cliente; 2 – Não selecionar a proposta e os padrões corretos de

serviços corretos; 3 – Não executar os serviços dentro dos padrões estabelecidos; 4

– Não cumprir o que foi prometido.

2.2 Conceito de fidelidade

O conceito de fidelidade engloba definições distintas nos campos das ciências

comportamentais e da psicologia. Antes da década de 1970, o conceito de fidelidade

era entendido apenas como um padrão de compras repetido, retratando uma

abordagem puramente comportamental. Bass (1974) considera que tais ciclos de

repetição de compra são estocásticos, isto é, contém partes aleatórias, não

possibilitando, portanto, uma análise consistente. Uma abordagem baseada em

aspectos psicológicos foi introduzida por Jacoby (1971) ao apresentar o conceito de

fidelidade de múltiplas marcas. Seu enfoque considerava que, dentro de um grupo

limitado de marcas, estas podiam ser substituídas entre si, desde que tivessem

alguns requisitos básicos de qualidade equivalentes. A abordagem psicológica foi

reforçada, quando Jacoby et al. (1978) concluíram que a fidelidade associada ao ato

de recompra (abordagem comportamental) de um produto específico não é

consistente, pois o consumidor pode ser fiel a múltiplas marcas que podem ser

substituídas entre si.

Dick at al. (1994) apresentaram um conceito de fidelidade que ratificava a

abordagem psicológica, com ênfase nos aspectos cognitivos, afetivos e conativos,

além de introduzir uma discussão sobre atitudes relativas.

16

Oliver (1996) apresenta a fidelidade sob duas formas distintas: fidelidade pró-ativa (o

consumidor freqüentemente recompra a marca, não considerando outras

alternativas) e fidelidade situacional (o consumidor não considera outras alternativas,

embasando sua escolha em uma situação). Um refrigerante preferido, consumido

regularmente, constitui fidelidade pró-ativa, mas a mesma marca comprada somente

para atender a convidados de uma festa é considerada situacional.

Além disso, Oliver (1999) ressalta a existência de uma seqüência de etapas no

desenvolvimento da lealdade6: 1) lealdade cognitiva, enfocada nos aspectos de

desempenho da marca; 2) lealdade afetiva, decorrente do gosto pela marca; 3)

lealdade conativa, experimentada quando o consumidor é movido pelo desejo de

recomprar a marca; 4) lealdade de ação, resultante do compromisso de recompra. O

autor também observa que a lealdade é influenciada pelo contexto sócio-emocional:

em função da relação entre o grau de determinismo pessoal e a combinação entre

uma predileção exacerbada, um compromisso pessoal e o suporte da

sociedade/comunidade, pode ocorrer um estado de lealdade final (ultimate loyalty)

resultante do desejo de lealdade por parte tanto do cliente como da sociedade. O

autor define lealdade como

[...] a manutenção de um profundo compromisso de recomprar ou de aderir a um produto ou serviço referido consistentemente no futuro, ocasionando compras repetidas de uma mesma marca ou de um mesmo conjunto de marcas, independentemente de influências situacionais ou de esforços de marketing com potencial para causar mudanças de comportamento (OLIVER,1997, p.392).

Mais do que computadores, telefones e todo o aparato tecnológico, o marketing de

relacionamento diz respeito à lealdade, ao respeito e ao comprometimento entre as

17

pessoas envolvidas no processo. Tratar clientes individualmente e reconhecer as

diferenças entre as pessoas são capacidades que, quando desenvolvidas no âmbito

de uma organização, transformam-se em vantagem competitiva e levam à tão

almejada lucratividade.

Na busca da compreensão do conceito de lealdade, pesquisadores tais como Dick e

Basu (1994) e Oliver (1999) se voltam para os antecedentes da lealdade e de suas

dimensões, uma vez que a ligação direta entre a satisfação e à retenção dos clientes

passou a ser amplamente questionada por vários autores, entre os quais pode-se

citar Verhoef (2003) e Burnham et al. (2003).

Oliver (1999) estabelece analogia entre a satisfação do cliente e uma semente: se

não houver sol, umidade e terra fértil, não crescerá. No caso, a satisfação é uma

semente que precisa de determinantes e de apoio sociais para que se desenvolva

em lealdade e chegue a seu estado mais elevado.

Nesse sentido, abordando lealdade de forma mais abrangente, Sirdeshmukh et al.,

2002, p.20), observam que a lealdade é

Indicada por uma intenção para realizar um conjunto diverso de comportamentos que sinalizam uma motivação para manter um relacionamento com uma empresa, incluindo um maior volume de negócios com a empresa, engajamento em comunicação positiva boca-a-boca e repetição de compra.

Por outro lado, não apenas dimensões comportamentais conduzem à fidelidade do

cliente e à sua retenção. Várias empresas caem na “armadilha da satisfação”,

acreditando que a satisfação do cliente e a qualidade do serviço são as únicas

6 O conceito de lealdade está sendo usado com o mesmo sentido de fidelidade, apesar de, em português, essas palavras terem significados diferentes.

18

maneiras para gerenciar a retenção de clientes (BURNHAM, FRELS e MAHAJAN,

2003).

Outros fatores também constituem ferramentas importantes tais como os custos de

mudança, conceituados por Burnham et al. (2003) como “os custos que os clientes

associam com o processo de troca de um fornecedor para outro”, podendo conduzi-

los a uma fidelidade passiva.

O intuito de ofertar qualidade nos serviços prestados e garantir a satisfação dos

consumidores orientou por muito tempo as estratégias de empresas empenhadas

em consolidar suas posições diante dos concorrentes ou de crescer sua participação

no mercado. A idéia dominante era de que bastava às empresas conseguir níveis

altos de satisfação para que os clientes continuassem dando preferência a seus

produtos e serviços, ao longo do tempo; porém, logo perceberam o equívoco da

premissa de que clientes felizes são equivalentes a clientes fiéis, pois se estima que,

de 65% a 85% dos usuários que mudaram de fornecedor chegaram a afirmar estar

satisfeitos com o fornecedor anterior (REICHHELD, 1996). Em face dessa evidência,

conclui-se que não basta alcançar a satisfação de necessidades e desejos do

consumidor; mais do que isso, é necessário manter os clientes conquistados através

de ações capazes de gerar sua lealdade com relação a marcas e empresas. A

preocupação com a lealdade dos clientes tornou-se ainda maior quando se

percebeu que a manutenção dos relacionamentos de longo prazo constitui-se fator-

chave na rentabilidade de uma empresa (REICHHELD, 1996 e RUST, ZEITHAML E

LEMON, 2001).

19

Diversos pesquisadores perceberam, em muitos casos, ausência de correlação

positiva entre índices de satisfação e comportamento de compra do consumidor

(JONES E SASSER, 1995), (LOWENSTEIN, 1995) e (OLIVER, 1999).

O conceito de fidelidade tornou-se mais relevante ainda, a partir do momento em

que as empresas começaram a perceber que a fidelidade dos seus clientes é que

iria garantir retornos financeiros futuros. Conforme Oliver (1996), a fidelidade tem

efeito sobre a lucratividade, na medida em que tem influência direta sobre o fluxo

futuro de clientes. Atualmente, é destacada a forte tendência das empresas a

migrarem de estratégias baseadas em satisfação para estratégias orientadas por

fidelização, pois são evidentes os resultados financeiros positivos, quando se tem

uma base de clientes fiéis.

Oliver (1999) observa também que a lealdade do consumidor é fortemente

relacionada com sua retenção pela organização e, por conseguinte, com a

lucratividade e o desempenho superior, ainda que mais estudos sejam necessários

para confirmar a lucratividade da lealdade.

Os administradores, cada vez mais, entendem que reter os clientes já existentes é

mais ou tão importante quanto adquiri-los, por oferecerem lucros maiores e mais

rápidos. Berry et al. (1995) observam, contudo, que um fator que interfere nos

esforços de desenvolvimento da lealdade diz respeito à crença de que novos

clientes constituem o caminho mais rápido para um aumento de lucratividade. Essa

pressuposição, somada à ênfase no lucro a curto prazo é a razão pela qual a meta

de atrair novos clientes normalmente é mais forte do que os esforços investidos na

retenção dos clientes já existentes. Além disso, os sistemas contábeis não captam o

20

valor de um cliente leal, nem espelham completamente quanto custa conquistar e

atender a clientes novos.

Reichheld (1996) desenvolveu uma importante contribuição para a administração

estratégica, analisando a questão da retenção de clientes, com vistas a chegar a

uma estratégia capaz de obter a lealdade (ou fidelidade) dos clientes. Segundo o

autor, um consumidor verdadeiramente leal deve manter uma atitude favorável em

relação ao produto/serviço, além de adquiri-lo repetidamente. Nesse sentido, a

lealdade implicaria repetidas compras baseadas em fatores cognitivos, afetivos,

avaliativos e disposicionais, que são os componentes clássicos de uma atitude.

Reichheld (1996,p. 29) transcendeu o conceito usual de lealdade (relações entre

empresas e clientes) ao afirmar

[...] a gestão baseada em lealdade não trata apenas da lealdade aos indivíduos ou grupos; trata da lealdade a um conjunto de princípios, que permitirão a uma empresa servir a todos os participantes, durante o tempo todo. O princípio empresarial orientador dos líderes em lealdade parece ser o compromisso de criar tanto valor para os clientes que haverá, bastante de sobra, para funcionários e investidores.

O autor demonstrou em seu estudo, as vantagens econômicas associadas à

lealdade dos clientes, analisando o impacto, na lucratividade de vários segmentos

empresariais, da redução de 5% no quantitativo das perdas de clientes; concluiu ter

ocorrido aumento da lucratividade, oscilando entre 35% (segmento de software) e

85% (segmento de bancos de varejo). O efeito da lealdade na lucratividade chegou

a superar o efeito das tradicionais variáveis (participação de mercado, redução de

custos, desenvolvimento de novos produtos).

21

O referido estudo demonstrou ainda que clientes leais são mais rentáveis que novos

clientes. Analisando o comportamento dos componentes do fluxo de caixa gerado

por clientes ao longo do tempo, o autor concluiu que todos são crescentes a cada

nova recompra, o que demonstra a lucratividade proporcionada por clientes fiéis.

A busca pela fidelização constitui um dos principais problemas enfrentados pelos

gestores e executivos das empresas de serviços. A compreensão dos efeitos

financeiros ocasionados pelo aumento do nível de fidelidade e pela conseqüente

redução na deserção de consumidores é de suma importância. A busca contínua

pela fidelização e pela garantia de um relacionamento duradouro com os clientes

não deve ser entendida como custos, mas como investimentos passíveis de gerar

margens de lucro crescentes e superiores às conseguidas com clientes eventuais e

esporádicos.

Como existem diferenças nos vários níveis de satisfação e de fidelidade, em cada

tipo de serviço, as estratégias de fidelização de clientes devem considerar as

características de cada negócio, adequando-se às especificidades e à natureza de

cada serviço. Para isso, é importante que os conceitos de satisfação e fidelidade e a

relação entre ambos sejam compreendidos.

Para compreender essa relação, Moura (2004) reporta-se ao modelo conhecido

como American Customer Satisfaction Index (ACSI), proposto por Fornell (1996)7 e

propôs sua validação, observando que oferece uma base de mensuração uniforme e

comparável, com vistas à satisfação global do cliente. O modelo propõe que a

7 FORNELL, C. et al. The american customer satisfaction index: nature, purpose, and findings. Journal of Marketing, v.60, p.7-18, oyt. 1996.

22

satisfação global do cliente é fruto de uma cadeia de relacionamentos, que vai desde

as expectativas, culminando com sua lealdade.

A partir desse modelo, Moura (2004) propõs um modelo ACSI modificado, que foi

aplicado ao setor de telefonia celular em Minas Gerais. Uma das conclusões do seu

estudo foi a verificação de que a satisfação do consumidor afeta sua lealdade, ou

seja, existe uma relação de causa/efeito entre a satisfação e a lealdade do cliente de

telefonia celular no mercado mineiro.

Em sua pesquisa, Moura (2004) encontrou índices de lealdade próximos a 50% para

as três empresas que operavam na época em Minas Gerais. Observa a autora que,

[...] com tais indicadores, supõe-se que os consumidores ainda estejam indecisos quanto à permanência ou não na mesma operadora, demonstrando sensibilidade às ofertas dos concorrentes e tendo um nível de lealdade apenas médio. Esse comportamento de indecisão pode estar ligado aos seguintes fatores: 1) resistência à mudança de operadora; 2) percepção de alto custo de término de relacionamento; 3) inconveniência de ter que mudar o número do celular com a troca de operadora e outros motivos. Por outro lado, os possíveis fatores desfavoráveis à lealdade do cliente seriam, dentre outros: 1) insatisfação com a operadora; 2) oferta atrativa da concorrência (percepção de maiores benefícios e promoções, preços menores).

Para competir em mercados instáveis, as empresas necessitam de um

posicionamento dinâmico, voltado para a busca da sua integração com o cliente. Ao

contrário do posicionamento tradicional, o posicionamento dinâmico é um processo

que compreende três dimensões: produto, mercado e empresa (MCKENNA,1999).

A primeira dimensão (produto) refere-se ao modo como a empresa deseja colocar

seu produto no mercado competitivo, sendo aconselhável que dê atenção especial a

23

fatores intangíveis do posicionamento, que constituem a chave para a construção de

relações com os consumidores.

Na segunda dimensão (mercado), o produto tem de ganhar o reconhecimento do

mercado e a credibilidade dos consumidores, tornando-se um “vencedor”. Para isso,

as empresas necessitam conhecer e identificar os principais participantes da infra-

estrutura do setor e trabalhar intimamente com eles.

Na terceira dimensão, estágio final do processo, as empresas têm de procurar um

posicionamento para si mesmas, o qual depende de seu sucesso econômico, pois

empresas com problemas financeiros são obrigadas a reconstruir a própria posição

no mercado, já que os consumidores relutam em comprar produtos de empresas

com imagem desgastada.

Mckenna (1999) entende que o posicionamento dinâmico “traça uma linha comum

em todas as partes da empresa, conectando-as ao mercado”.

Assim, uma empresa que tenha boa imagem junto ao mercado poderá ter maior

facilidade na seleção de seu pessoal e, com profissionais mais qualificados, poderá

estar mais apta a enfrentar a concorrência. Além disso, terá maior facilidade para

fazer negociações, pois as instituições financeiras apóiam empresas com bom

posicionamento financeiro.

A construção da fidelidade do cliente deve considerar que, para que exista um

relacionamento, são indispensáveis dois elementos: cliente e fornecedor. Entretanto,

24

a bilateralidade necessária não implica que o processo de construção do

relacionamento se desenvolva igualmente para ambas as partes envolvidas,

especialmente quando se pensa em termos de relacionamento entre consumidores e

empresas: evidentemente, as empresas dificilmente restringirão suas atividades ao

atendimento de um único consumidor; o consumidor, contudo, poderá perfeitamente

realizar todas as suas compras de determinado produto/serviço em um único

fornecedor. Considerando essas diferenças, White et al. (2000), focalizando

exclusivamente os consumidores, propõem cinco grupos, em função de seu estágio

de comprometimento:

• Clientes potenciais (Prospects): nunca realizaram qualquer compra;

• Fregueses (Customers): fizeram pelo menos uma compra, mas não deixam

de considerar as outras opções, quando desejam repetir a compra do produto ou

do serviço em questão;

• Clientes (Clients): retornam de alguma forma automaticamente, sem

considerarem alternativas;

• Clientes-suporte (Supporters): voltam quase que automaticamente,

comprando exclusivamente de um único fornecedor;

• Defensores (Advocates): têm um fornecedor exclusivo, a exemplo dos

supporters, divulgando-o e defendendo-o junto a outros consumidores.

Para Raphel (1999), a construção da fidelidade do cliente deveria ser classificada

em uma “escala de lealdade” com cinco estágios, de modo a incentivar o cliente a

passar para o estágio seguinte até que atinja o nível de “divulgador” do negócio. Os

cinco estágios, com suas respectivas características, são apresentados nos

seguintes passos:

25

• Clientes potenciais: o universo de pessoas (ou organizações) identificadas

como suspeitos de se tornarem clientes.

• Clientes pesquisados: indivíduos que já ouviram falar dos produtos ou

serviços de uma empresa e, portanto, têm algum grau de conhecimento dela,

mas ainda não compraram.

• Clientes experimentadores: compradores de primeira vez; aqueles que estão

testando produtos ou serviços de uma empresa; seu julgamento é velado.

• Clientes assíduos: compradores em fase inicial de um compromisso com a

empresa, repetindo a compra de produto ou serviço.

• Clientes fiéis: pessoas que compram uma variedade de produtos e serviços

de uma empresa durante muito tempo, escolhendo suas marcas entre outras

concorrentes e, desse modo, demonstrando lealdade.

• Clientes Divulgadores: clientes que defendem ativamente uma empresa e a

recomendam a seus amigos ou colegas de trabalho.

Cabe à empresa definir o perfil dos clientes que deseja atender. Como a capacidade

de qualquer empresa é necessariamente limitada, é impossível cobrir toda a gama

de clientes, optando-se pelos melhores, ou seja, aqueles que apresentam maior

valor.

Com base na regra de Pareto, comumente chamada de “regra 80/20”, segundo a

qual uma minoria de clientes responde pela maior parte das vendas ou do lucro

(20% dos clientes são responsáveis por 80% das vendas ou dos lucros), as

empresas descobriram que não precisam atender igualmente bem a todos os

clientes, já que é caro demais trabalhar com alguns deles, pois têm pouco potencial

para se tornarem lucrativos, mesmo em longo prazo. Embora as empresas queiram

26

dar a todos os clientes um atendimento superior, elas constatam que não é prático

nem lucrativo satisfazer as expectativas de todos, porque os níveis de resposta são

diferentes e, por isso, devem ser maximizados os recursos em segmentos

potencialmente lucrativos.

2.3 Inteligência de marketing para tomada de decisão estratégica de manutenção de clientes

Nos últimos anos, várias mudanças têm ocorrido com relação ao comportamento e

às exigências dos consumidores, refletindo-se na administração de marketing,

Impulsionadas pelo “poder e pela disseminação onipresente da tecnologia”, as

organizações têm sido obrigadas a mudar sua forma de atuação, com base em

estratégias voltadas para o cliente, para conseguir acompanhar essa evolução. Essa

nova perspectiva tem determinado transformações fundamentais nas organizações,

em termos de crenças e de valores (MCKENNA,1999).

Essa nova forma de atuação das empresas caracteriza-se por maior diversidade de

produtos e serviços, segmentação dos mercados, distinção pouco nítida entre

produtos, acelerado ciclo de vida dos produtos, distribuição de produtos e serviços

em fluxo constante, incapacidade da mídia tradicional de comunicar mensagens

claras, reestruturação e diminuição de organizações e imprevisibilidade do ambiente

de negócios, exigindo uma nova forma de relacionamento com o cliente:

O marketing de relações é essencial ao desenvolvimento de liderança, fidelidade do consumidor e rápida aceitação de novos produtos e serviços no mercado. A criação de relações sólidas e duradouras é uma tarefa árdua, de difícil manutenção. Mas acredita-se que, em um mundo onde o cliente tem tantas opções, mesmo em segmentos limitados, uma relação pessoal é a única forma de manter a fidelidade do cliente. (MCKENNA,1999)

27

A percepção pelas empresas da importância da retenção de seus clientes ativos, em

face da concorrência cada vez mais acirrada, transforma em desafio a

responsabilidade de reter o cliente ativo. Na verdade, novos clientes estão cada vez

mais raros e difíceis. Surge, então, o conceito de marketing de relacionamento,

como uma alternativa para o marketing de massa. O objetivo desse novo paradigma

é possibilitar à empresa tratar seus clientes individualmente e desenvolver com eles

um relacionamento duradouro. Forma-se, assim, uma rede de marketing composta

pela empresa e os “stakeholders” (consumidores, funcionários, fornecedores,

distribuidores, varejista, agências de propaganda, cientistas universitários e outros),

cuja principal tarefa é criar forte lealdade nos consumidores (KOTLER, 2000).

Segundo o citado autor, o marketing de relacionamento apresenta retorno altamente

compensador com clientes de vida longa, que envolvem altos custos de transação,

por se tratar de categoria de compradores que escolhem o fornecedor que lhes

possa oferecer boa assistência técnica em longo prazo e que detenha o “estado da

arte” em termos de tecnologia.

É necessário que características e funções que frustrem o consumidor sejam

eliminadas. Para isso, é essencial que haja o estabelecimento claro dos objetivos da

empresa com relação aos clientes e sua avaliação contínua. A partir de uma visão

abrangente do comportamento do consumidor, é possível compreender como utiliza

os produtos e serviços oferecidos.

A utilização das estratégias de marketing de relacionamento no setor de

telecomunicações móveis tem ligação direta com o estabelecimento de uma relação

de longo prazo com os clientes. As dificuldades advindas do aumento da

28

concorrência têm levado os gestores a buscar novas estratégias de manutenção da

base de clientes já existentes, que atualmente é considerada muito mais importante

do que a aquisição de novos consumidores.

Sob esse prisma, é importante o significado de fidelidade em marketing. Trata-se de

um sentimento de afinidade em relação a produtos e marcas de uma empresa, que

vai além da simples repetição de compra. Embora a fidelidade seja um indicador

comumente utilizado como forma de aferição da satisfação dos clientes,

desconsidera fatores como conveniência, inércia e o grau de competitividade ou

concentração de determinado mercado.

O marketing sempre esteve presente no âmbito dos negócios, mas sua importância

tem varidado muito ao longo do tempo. De acordo com Boone at al. (1998), até a

década de noventa, na história do marketing, três eras eram identificadas: a da

produção, antes dos anos vinte; a de vendas, antes dos anos cinqüenta, e a do

marketing, na segunda metade do século XX. No início da década de noventa,

surgiu uma quarta era: a do cliente, ou do marketing one to one, conforme Peppers e

Rogers (1994).

Segundo Rogers e Skinner (2005), mudanças no valor dos clientes não ocorrem

repentinamente. O valor de um cliente não muda simplesmente porque uma venda

foi registrada no último dia do mês ou no primeiro dia do mês seguinte. O valor

individual de um cliente é determinado por quatro variáveis principais: custo de

aquisição do cliente, sua contribuição para os lucros da empresa, o crescimento de

sua contribuição e seu tempo de vida como cliente. Cada cliente percorre uma

trajetória diferente: captar um cliente novo custa algo para a empresa, antes que ele

29

comece a gerar lucros em vários níveis e tempos, ao longo de sua vida como cliente.

Na medida em que o cliente fica mais confortável e satisfeito com a empresa, pode

aumentar sua contribuição, talvez custando menos para ser atendido, ou comprando

mais produtos. Por outro lado, não se pode descartar a possibilidade de que saia ou

reduza sua atividade com a empresa, o que representaria o fim da trajetória desse

cliente. Portanto, é necessário prever, da forma mais precisa possível, a trajetória do

cliente, antecipando seu comportamento.

Rogers e Skinner (2005) explicam que nenhuma empresa pode prever exatamente

qual será o comportamento de cada cliente. Empresas de serviços financeiros ou de

telecomunicações, por exemplo, têm a felicidade de manter ligações diretas com

seus clientes. Muitas dessas empresas usam a massa de dados dos clientes que

possuem para criar modelos preditivos individuais. A maioria das outras empresas,

entretanto, elabora modelos mais subjetivos e menos específicos para cada cliente.

De qualquer forma, o futuro ainda é o futuro. Ele não pode ser previsto com 100% de

certeza, mas ele pode ser modificado. Mudar o comportamento dos clientes é, de

fato, a principal missão da maioria dos programas e campanhas de vendas e

marketing.

É importante ressaltar que os fatores que geram mudanças no comportamento dos

clientes não se baseiam só no valor que o cliente tem para a empresa, mas no valor

que a empresa tem para o cliente, de acordo com seu julgamento individual. As

organizações que entendem as necessidades de seus clientes têm uma chance

maior de sucesso, no esforço de mudar-lhes o comportamento. Uma empresa que é

capaz de aumentar o valor vitalício da sua base de clientes, através da mudança do

30

comportamento de cada cliente, consegue criar uma visão mais racional e de longo

prazo para seu negócio.

Para Grönross (1995), a meta do marketing de transação é conquistar clientes,

enquanto a meta do marketing de relacionamentos é manter clientes. É fundamental

compreender essa diferença, para se perceber que, no marketing de

relacionamento, as ações devem ser implementadas visando à manutenção dos

clientes no médio e no longo prazo.

Para Gordon (2001), os profissionais de marketing poderiam criar novos valores para

seus clientes, funcionários, fornecedores e investidores, com a administração de

seus relacionamentos de negócios. O autor defende a tese de que os

relacionamentos são os verdadeiros bens das empresas, e não os produtos, as

máquinas e o “know-how”, embora tenham grande importância; isto porque os

relacionamentos lhes garantem rendimentos de longo prazo e baixos riscos, bem

como a oportunidade de aumentarem tanto os rendimentos como o lucro, de

diversas maneiras.

De forma geral, tanto a manutenção quanto a retenção dos clientes decorrem de um

relacionamento constante e diferenciado. Assim, os Programas de Fidelização têm

sido importantes na construção de relacionamentos entre empresas e clientes, mas

não se deve confundi-los com compras repetidas, em razão de descontos e ofertas,

consideradas erroneamente como Programas de Fidelização. A manutenção e a

retenção dos clientes relacionam-se com sua satisfação com o produto/serviço ou

com seus atributos. A percepção de valor em seu relacionamento com a empresa é

o fator decisivo. Para isso, é essencial atender às necessidades, aos desejos e

31

valores dos usuários dos serviços. Constantemente, a comunicação deve reforçar a

percepção positiva, com mensagens certas, nos momentos adequados e pela mídia

correta.

As empresas vêm percebendo que o verdadeiro desafio está em desenvolver e

gerenciar relações com os clientes, de modo a modificar seu comportamento, ao

longo do tempo, e fortalecer o laço entre clientes e a empresa (NEWELL, 2000).

À medida que os profissionais de marketing foram percebendo que a fidelidade não

pode ser comprada por programas de recompensa, eles passaram a buscar novas

soluções. As empresas têm-se empenhado em encontrar formas inovadoras de

desenvolver relacionamentos com os clientes e em usar as mais recentes

tecnologias para gerenciá-los.

Apesar do gerenciamento dessas relações ser calcado na tecnologia, não se exclui

o princípio do tratamento das informações pelo resgate de conceitos antigos de

reconhecimento e personalização, a exemplo das relações que as empresas

travavam com seus clientes no passado. Com o crescimento das organizações, a

administração acabou por afastar-se dos clientes. Chegaram novos funcionários,

novos clientes, e esses começaram a ser tratados como números.

A construção do relacionamento com os clientes, nos moldes dessa nova cultura

exigirá uma ampla mudança na forma de o marketing explorar as bases de dados da

organização, buscando o verdadeiro gerenciamento das relações com os clientes,

seja tentando modificar-lhes o comportamento no decorrer do tempo, seja mediante

um aprendizado interativo, personalizando o tratamento ao cliente e fortalecendo

seu vínculo com a empresa. Este é o princípio do importante marketing um-a-um.

(NEWELL, 2000).

32

2.4 Administração do relacionamento com os clientes

A inteligência de marketing para a manutenção de clientes está intimamente ligada à

filosofia do Costumer Relationship Management (CRM), um sistema que ajuda a

empresa a reunir todo o conhecimento coletivo sobre seus clientes, concentrando os

dados em um lugar onde possam ser compartilhados por todos os funcionários, por

meio do uso de um conjunto variado de ferramentas. Com esse sistema, a empresa

consegue entender melhor os clientes, oferecer-lhes mais apoio, servi-los melhor e,

em última análise, ganhar novos clientes (GASET, 2001).

Antes de ser um software, a filosofia CRM é o relacionamento da empresa com seus

clientes. Através da tecnologia, a organização busca o resgate qualitativo das

relações, estabelecendo um diálogo interativo com o cliente. A filosofia do CRM

pode ser assim traduzida: “esqueça o produto, pense no cliente”. Para isso, é

essencial retornar aos modelos de relacionamento dos tempos antigos e procurar

compreender os métodos, os números e as restrições de tempo inerentes às

organizações.

Muitas definições sobre CRM têm sido oferecidas por pesquisadores e praticantes.

(Bretzke, 2000, p.29) define CRM como:

[...] a integração entre o marketing e a tecnologia da informação. Seu objetivo é prover a empresa de meios mais eficazes e integrados para atender, reconhecer e cuidar do cliente em tempo real e transformar estes dados em informações que, disseminadas pela organização, permitam que o cliente seja conhecido e cuidado por todos e não só pelas operadoras de Call Center ou pelos vendedores.

33

Em um conceito mais ampliado, Newell (2000, p. 8) observa que:

CRM é uma tentativa de mudar o comportamento do cliente ao longo do tempo e de fortalecer o vínculo entre o cliente e a empresa. O CRM, como verdadeiro processo 1-a-1, leva-nos do objetivo tradicional da aquisição de um novo cliente a qualquer custo para a retenção do cliente; da participação de mercado para a participação de carteira, e do desenvolvimento de transações de curto prazo para o desenvolvimento do valor do cliente ao longo do tempo. O objetivo do CRM é maximizar o relacionamento com o cliente, em benefício do cliente e visando o lucro da empresa.

O autor enfatiza que a busca do cumprimento da meta de lucratividade tem por

premissa a concentração nos benefícios e no valor do cliente e não na preocupação

com o que a empresa deseja vender, fortalecendo o relacionamento entre o cliente e

a empresa.

Peppers e Rogers (2000) têm um conceito mais simples: “CRM é a infra-estrutura

para implementar-se a filosofia um-a-um de relacionamento com os clientes”.

A diferença entre o CRM e outros sistemas de computador é que os sistemas

“tradicionais” são concebidos ao redor de processos e produtos; já o sistema de

CRM é concebido ao redor dos clientes da empresa.

Como se pode perceber, embora os autores conceituem o CRM de maneiras

diferentes, todos concordam em dois aspectos fundamentais: tecnologia e foco no

cliente.

A chave para o CRM é identificar o que gera valor para o cliente e oferecer-lhe isso.

Há muitos conceitos comuns de valor e cada cliente pode ter uma visão diferente,

cabendo à empresa satisfazer esses conceitos, tendo em vista cada grupo de

clientes.

34

Na visão de Newell (2000) são tarefas-chave do CRM:

• identificar os valores do consumidor, pertinentes a uma empresa específica;

• entender a importância relativa desses valores para cada segmento de

cliente;

• determinar se a oferta desses valores afetará os resultados financeiros, de

maneira positiva;

• comunicar e oferecer os valores adequados a cada segmento de clientes, de

forma que queiram receber as informações;

• medir os resultados e fornecer retorno sobre o investimento.

Para Bretzke (2000), o valor estratégico de um sistema de CRM é fácil de ser

justificado, quando se avaliam os benefícios em potencial, que são:

• aumentar o conhecimento sobre o cliente;

• registrar, manter e tratar um grande volume de informações sobre o cliente e

fazer a recuperação em tempo real, para estabelecer um relacionamento

diferenciado e gratificante, quando este está ocorrendo por qualquer meio;

• aumentar a retenção e a fidelidade do cliente pela experiência de marca

positiva;

• aperfeiçoar o processo decisório mercadológico e empresarial;

• racionalizar e melhorar o fluxo do pedido, o atendimento pós-venda e as

vendas por meios alternativos, como telemarketing e Internet;

• aperfeiçoar serviços e produtos para clientes, por meio da customização em

massa;

• diferenciar os próprios serviços e produtos em relação aos dos concorrentes,

entregando ao cliente exatamente o que deseja.

35

A contribuição do marketing para o sucesso da empresa reside em sua análise

quanto às futuras oportunidades da organização em atender a necessidades bem

definidas do consumidor com produtos e serviços que lhe ofereçam melhores

benefícios do que a concorrência.

Isso significa que o marketing deve sempre tentar descobrir o que os consumidores

estão fazendo (comportamentos) e pensando (sentimentos) e quais os fatores

externos (ambiente) que estão afetando suas decisões de compra. As empresas

podem, então, usar essas informações para alterar o mix desses fatores, de modo a

produzir o comportamento de compra desejado (NEWELL, 2000).

2.5 Identificação de padrões de comportamento de clientes (Data Mining)

A expressão Data Mining (mineração de dados) designa exploração e análise de

grande quantidade de dados, mediante a utilização de técnicas estatísticas que

possibilitem identificar padrões de comportamento dos clientes. Seu objetivo

principal é permitir que as empresas aperfeiçoem suas estratégias de marketing,

vendas e suporte a clientes através de seu melhor entendimento e conhecimento

(BERRY e LINOFF, 1997).

Outra definição importante de Data Mining foi elaborada por Fayyad et al. (1996):

"[...] processo não-trivial de identificar em dados padrões válidos, novos,

potencialmente úteis e ultimamente compreensíveis."

36

Com a geração de um volume cada vez maior de informações, é essencial tentar

aproveitar esse investimento ao máximo possível. Talvez a forma mais nobre de

utilização desses vastos repositórios seja tentar descobrir os conhecimentos

subjacentes às informações. Um banco de dados de transações comerciais pode,

por exemplo, conter diversos registros indicando produtos que são comprados em

conjunto. Quando se descobre isso, é possível estabelecer estratégias para otimizar

os resultados financeiros da empresa. Essa já é uma vantagem suficientemente

importante para justificar todo o processo; contudo, embora essa idéia básica seja

facilmente compreensível, fica sempre uma dúvida sobre como um sistema é capaz

de obter esse tipo de informação (NAVEGA, 2002).

Segundo Berry e Linoff (1997), a maioria dos problemas que podem ser resolvidos

com a utilização de técnicas de Data Mining diz respeito aos seguintes temas:

• Classificação: consiste em examinar características de novos

objetos/indivíduos e enquadrá-los em uma classe pré-definida;

• Estimação: complementa a técnica de classificação, calculando

probabilidades e pode utilizar redes neurais;

• Predição: é o mesmo que classificação ou estimação, contudo, os registros

são classificados de acordo com uma previsão futura de comportamento;

• Agrupamento por afinidade (market basket): identifica a afinidade entre

comportamentos que podem ser utilizados para incrementar vendas adicionais

ou propor pacotes de produtos e serviços;

• Aglomeração (clustering): segmenta uma população heterogênea em

subgrupos homogêneos, de acordo com características básicas;

• Descrições: descreve o que está acontecendo em um grande banco de

dados, aumentando o entendimento sobre as pessoas, os produtos ou os

processos referentes aos dados estudados.

37

O Data Mining vale-se de diversos algoritmos (técnicas avançadas de análise

estatística) que processam os dados e encontram "padrões válidos, novos e

valiosos". É preciso ressaltar um detalhe que costuma passar despercebido na

literatura: embora os algoritmos atuais sejam capazes de descobrir padrões "válidos

e novos", ainda não é conhecida uma solução eficaz para determinar padrões

valiosos.

Por essa razão, o uso de Data Mining ainda requer uma interação muito forte com

analistas humanos, que são, em última instância, os principais responsáveis pela

determinação do valor dos padrões encontrados. Também a condução

(direcionamento) da exploração de dados é tarefa fundamentalmente confiada a

analistas humanos, um aspecto que não pode ser desprezado em projeto algum,

sob pena de colocar em risco seu sucesso.

Carvalho (1999) ressalta que as empresas que detêm e/ou fornecem o

conhecimento adquirido com confiabilidade, rapidez e de forma organizada têm

grandes chances de permanecerem de forma competitiva no mercado. A quantidade

de dados disponíveis vem crescendo assustadoramente nos últimos anos, e vários

fatores têm contribuído para esse incrível aumento. O baixo custo na armazenagem

pode ser visto como a principal causa do surgimento dessas enormes bases de

dados. Um outro fator é a disponibilidade de computadores de alto desempenho, a

custo razoável. Como conseqüência, esses bancos de dados passam a conter

verdadeiros tesouros de informação e, devido a seu volume, ultrapassam a

habilidade técnica e a capacidade humana na sua interpretação. O autor enfatiza

ainda a necessidade de transformação desses dados em informações para que se

38

tornem apoio nas tomadas de decisão da empresa, com vistas a melhorar

procedimentos, detectar tendências e características disfarçadas e até mesmo

prevenir ou reagir a um evento futuro. Esse processo é um dos objetivos de estudo

da área de Inteligência Artificial, onde estão sendo desenvolvidas metodologias de

automação através de Sistemas Computacionais ou Sistemas Inteligentes baseados

no conhecimento.

Grande parte desses sistemas é desenvolvida mediante utilização de técnicas e

algoritmos de Data Mining, área da Inteligência Artificial que trata da extração de

informação válida, previamente desconhecida e de máxima abrangência, a partir de

grandes bases de dados. A análise automatizada e antecipada oferecida por Data

Mining vai muito além da consulta a um banco de dados (fornecida pelas

ferramentas de retrospectiva típicas de sistemas de apoio a decisão, como o OLAP8

e SQL9), por permitir aos usuários explorar e inferir informações úteis a partir dos

dados, descobrindo relacionamentos escondidos no banco de dados.

Os dois objetivos de mais alto nível do Data Mining tendem a ser a predição e/ou a

descrição. Os padrões preditivos são encontrados para resolver o problema de

predizer o valor futuro ou desconhecido de um ou mais atributos do banco de dados,

a partir do valor conhecido dos demais atributos. Os padrões descritivos (ou

informativos) têm por objetivo encontrar informações interessantes, de forma

interpretável pelo pesquisador, que descrevam os dados.

8 OLAP - On Line Analitical Processing - Armazenamento multidimensional de dados, em formato de cubo, que permite a rápida agregação de dados e detalhamento de análises. 9 SQL – Struct Query Language - Comandos de acesso a um Banco de Dados.

39

3 METODOLOGIA

Este capítulo apresenta os processos metodológicos utilizados para o

desenvolvimento e a validação de um índice proposto para a mensuração da

fidelidade dos clientes de uma operadora do setor de telecomunicações móveis no

estado de Minas Gerais.

O estudo foi desenvolvido a partir de dados de clientes da operadora pesquisada,

baseados no seu relacionamento com a empresa, obtidos em fontes internas de

informações.

As informações coletadas referem-se a pessoas físicas que optaram por planos pós-

pago, os quais se caracterizam por um contrato firmado entre a operadora e o cliente

com tempo mínimo de permanência determinado, mediante pagamentos mensais.

Em geral, o cliente é beneficiado com tarifas mais baixas e descontos em aparelhos

telefônicos. Essa escolha é explicada pelo fato de que esse tipo de contrato

caracteriza-se por buscar estabelecer um relacionamento mais próximo e duradouro

entre empresa e cliente.

Embora alguns clientes permaneçam fiéis desde o início das atividades da

operadora em estudo, esta pesquisa limitou-se a analisar os cancelamentos

ocorridos em um período de nove meses (entre outubro/2004 e junho/2005), visto

que diversos fatores podem influenciar um cliente a cancelar seu contrato ao longo

do tempo.

40

Foram analisados neste estudo dois tipos de usuários:

• clientes com pelo menos seis meses de base, ativos nos três meses

anteriores ao cancelamento e que permanecem ativos ou suspensos na data

da coleta;

• clientes que solicitaram cancelamento voluntariamente nos últimos três meses

antes da data da coleta.

Este estudo é de natureza quantitativo-descritiva. A pesquisa descritiva, como o

próprio nome já diz, tem como objetivo principal descrever algo (no caso,

características ou funções de mercado), a partir de objetivos e informações

necessárias bem definidas. A pesquisa descritiva é, portanto, pré-planejada e

estruturada. Os estudos quantitativos, por sua vez, buscam prover o pesquisador

com dados relativos às características de grupos relevantes, estimar porcentagens

de unidades numa população, fazer previsões específicas e verificar o grau em que

as variáveis de marketing estão associadas (MALHOTRA, 2001).

São também utilizados dados secundários de fonte interna para a criação do índice

proposto. Denominam-se dados secundários aqueles não especificamente coletados

para responder ao problema de pesquisa proposto no presente estudo. A utilização

de dados secundários internos tem duas vantagens significativas: são facilmente

disponíveis e são menos dispendiosos do que os dados primários (originados pelo

pesquisador com a finalidade específica de solucionar o problema em questão).

Para esta pesquisa, uma vantagem adicional é verificada: ao utilizar a base interna

de dados da empresa, que contém a relação completa dos clientes, todos poderão

ser identificados e classificados pela regra proposta no índice. A utilização de dados

secundários requer alguns cuidados. Como os dados secundários não foram

41

coletados para subsidiar esta pesquisa, sua utilidade para a solução do problema

proposto neste estudo pode ser limitada de várias maneiras, sendo, portanto,

importante utilizar alguns critérios para sua avaliação, tais como: identificar as

especificações e a metodologia de coleta, erro e precisão, atualidade, objetivo,

natureza e confiabilidade.

3.1 Planejamento Amostral

Essa pesquisa tem como base um processo amostral iniciado com a definição da

população-alvo. Os elementos são os registros de clientes e ex-clientes da

operadora de telefonia celular pesquisada. Trata-se de pessoas optantes pelo plano

pós-pago, cuja ativação tenha ocorrido desde 1998 em diante e ex-clientes cujo

cancelamento tenha ocorrido até 2005. A unidade amostral é, portanto, o contrato

do cliente.

Como delimitação da pesquisa e para caracterização da população com vistas a

realizar um planejamento amostral com o rigor necessário para este estudo, foram

considerados os seguintes aspectos:

• realização da análise por contrato (uma pessoa pode ter mais de um contrato.

Um contrato desativado independe de outros que o mesmo cliente possa ter);

• planos pós pagos de pessoas físicas;

• contratos ativos ou suspensos na data da coleta dos dados, ou que foram

cancelados voluntariamente nos últimos três meses antes da data da coleta;

• período de análise: de 1º/outubro/2004 a 30/junho/2005.

• histórico de análise: de 1º/dezembro/1998 a 30/junho/2005.

42

A amostra foi selecionada por estratificação (contratos ativos e suspensos; contratos

cancelados); com amostragem sistemática dentro dos estratos. O processo amostral

estratificado, segundo Scheaffer et al. (1996), é indicado quando os estratos são

claramente identificados e cada unidade amostral da população pode ser alocada no

estrato apropriado. Além disso, segundo os autores, deve ser certificado que a

coleta das amostras, em cada estrato, constitui processos independentes. Diferentes

esquemas amostrais poderão ser adotados em cada estrato, ou seja, a escolha das

observações de um estrato não pode depender da escolha feita no outro.

A amostragem sistemática adotada em cada estrato consiste, segundo Scheaffer et

al. (1996), em obter um ponto de partida aleatório e, em seguida, toma-se cada i-

ésimo elemento sucessivamente até percorrer toda a lista da população. Esse

processo foi escolhido por ser significativamente numeroso o banco dados

disponível.

Segundo Hair et al. (2005), os testes estatísticos são muito sensíveis ao tamanho da

amostra (poder estatístico) para atingir a significância estatística, tanto para

amostras pequenas quanto grandes. Para qualquer amostra, deve ser adotado o

procedimento de examinar os resultados obtidos para garantir que tenham

significância prática (e não apenas estatística). Entretanto, o autor recomenda mais

atenção sempre que tamanhos de amostras excederem 200 ou 400 casos, devido

ao poder estatístico aumentado pelo tamanho da amostras.

Dada a aplicabilidade esperada do modelo desenvolvido, optou-se por uma amostra

muito maior que a usual, garantindo uma margem de erro que seja a menor possível

com o objetivo de otimizar os recursos destinados às ações de fidelização.

43

O fato das informações estarem disponíveis em bancos de dados, e o custo da

amostragem e da coleta de dados não serem significativos, permite lançar mão de

uma grande vantagem de se trabalhar com dados secundários. Portanto, foram

coletados 2 conjuntos amostrais constituídos por 2000 registros cada um.

A primeira amostra (amostra de análise) foi utilizada para a criação do modelo

logístico, que deu origem à regra de classificação; a segunda amostra (amostra de

validação) foi utilizada para a etapa de validação do modelo proposto. Foi utilizado

na fase de validação o método de colocação de elementos à parte, para

classificação (Holdout Method) (MINGOTI, 2005). Além disso, o ajuste do modelo foi

testado para todo o universo.

Foram feitas duas validações (amostra de validação e universo), pois, de acordo

com Churchill (1979), pelo menos dois estudos consecutivos são necessários para

que novas escalas possam prover alguma evidência de validade e de confiabilidade.

O caso em questão envolve bases de dados referentes a variáveis categóricas

altamente desequilibradas, em termos da proporção das duas classes existentes

(95% do universo refere-se aos clientes cativos e apenas 5% aos cancelados).

Segundo Berry at al. (2000), no momento da construção de qualquer modelo

envolvendo uma variável deste tipo, o modelo acaba distinguindo somente uma das

classes, sendo incapaz de fazê-lo com a classe de menor número de registros. Isso

por causa da distribuição desequilibrada entre as classes. Assim, o modelo

reconhece que, se sua resposta reiterar sempre que todas as observações

pertencem à classe com maior número de registros, ele acertará um elevado

percentual dos padrões.

44

Esse fato foi verificado para os dados da pesquisa em questão e para evitar esse

problema e facilitar a distinção de classes, foi realizado o referido procedimento de

balanceamento, também conhecido como oversampling. Através do balanceamento,

cria-se uma nova base de dados para a modelagem, selecionando-se

aleatoriamente um maior número de registros pertencentes à classe rara e um

menor número de ocorrências na classe comum, ajustando-se assim, a proporção

entre as classes. Infelizmente, o balanceamento sofre limitações. Como só existe um

pequeno número de observações da classe rara na base de dados, não é possível

criar uma base de qualquer tamanho para a análise, mesmo que a base de dados

original seja imensa (FERREIRA, 2005).

A escolha desse procedimento se justificativa pelo fato de o volume de clientes

cancelados ser baixo (considerado um evento raro), o que provocaria, em uma

amostragem proporcional (desbalanceada), um percentual de clientes cancelados

insuficiente para gerar um modelo com baixa margem de erro. A proporção de

clientes cancelados, em geral, fica em torno de 5% e a de não cancelados (clientes

que continuam na empresa) é de 95%. Outro fator que justifica essa decisão é que,

como o interesse maior é identificar as características dos clientes cancelados

(churn), é necessário minimizar a probabilidade de classificação incorreta (MINGOTI,

2005).

Portanto, as amostras foram balanceadas (50% clientes ativos “não churn” e 50%

ex-clientes “churn”). Para Hair et al. (2005), os tamanhos das amostras também

afetam os resultados quando a análise envolve grupos de elementos, como na

análise discriminante ou regressão logística. Tamanhos de amostras diferentes

entre grupos influenciam os resultados e exigem interpretação e/ou análise

45

adicional. Esta posição corrobora a decisão de realização do procedimento de

balanceamento amostral.

Para cada unidade amostral foram coletadas todas as variáveis disponíveis que

possam caracterizar o perfil dos clientes de acordo com seu relacionamento com a

empresa. Para a modelagem do índice de previsão da fidelidade de clientes, foram

utilizadas, principalmente, as seguintes variáveis:

• Dados cadastrais: plano de serviço utilizado, tempo na base (tempo que a

pessoa é cliente), perfil do usuário (opção por débito automático, quantitativo

de contas pagas em atraso, valor médio faturado).

• Interação do cliente com a operadora: contatos com o setor de atendimento a

clientes para solicitação de serviços; reclamações; solicitação de informações;

• Perfil de utilização de tráfego do cliente: taxa de crescimento do tráfego local

e interurbano, recebido ou originado, tráfego com outras operadoras de

telefonia móvel e/ou fixa (descritas no próximo capítulo).

O fato das variáveis disponíveis serem quantitativas e qualitativas requer um cuidado

especial na seleção da técnica a ser utilizada. A metodologia indicada nas situações

em que as variáveis, medidas em cada elemento amostral, são quantitativas e

qualitativas é o modelo logístico (MINGOTI, 2005).

A construção do modelo utilizou, então, a técnica estatística de Regressão Logística

com a intenção de gerar uma probabilidade de cancelamento do cliente.

46

3.2 Técnica de Regressão Logística

Em muitas situações práticas, pesquisadores desejam separar duas classes de

objetos ou alocar um novo objeto em uma dessas classes. De todas as técnicas

existentes para esta finalidade, a Análise Discriminante e a Regressão Logística são

as mais encontradas na literatura. Ambas as técnicas se enquadram na classe de

métodos estatísticos multivariados de dependência, pois relacionam um conjunto de

variáveis independentes com uma variável dependente categórica (Sharma, 1996;

Hair et al., 2005).

De forma geral, as técnicas de discriminação procuram encontrar uma função ou

conjunto de funções que discrimine os grupos definidos pela variável categórica,

visando a minimizar erros de classificação. Em contexto no qual o conjunto de

variáveis independentes possui comportamento probabilístico de normalidade

multivariada, a análise discriminante é adequada, porque minimiza os erros de

classificação (Sharma, 1996; Hair et al., 2005).

Teoricamente, a análise discriminante pode ser usada para outras distribuições

desde que se saiba qual a classe a que ela pertence. Entretanto, o software utilizado

(SPSS), o único modo paramétrico disponível é o que pressupõe distribuição normal

multivariada.

Segundo Johnson (1998), o modelo logístico de discriminação não faz suposições

quanto à forma funcional das variáveis independentes, e o número de parâmetros

envolvidos no processo de estimação pode ser menor.

47

Minussi (2002) propôs um modelo de previsão de solvência utilizando regressão

logística e demonstra a importância da aplicação de um modelo econométrico no

processo de deferimento de crédito para uma instituição financeira. Em seu estudo,

identificou que a aplicação da regressão logística se mostrou mais robusta em

relação a outras técnicas utilizadas em trabalhos da mesma natureza.

Segundo Hosmer e Lemeshow (1989), a técnica de regressão logística tornou-se um

método padrão de análise de regressão para variáveis medidas de forma dicotômica,

podendo ser estendido para mais grupos, especialmente nas áreas das ciências da

saúde.

Hair et al. (2005) apontam alguns motivos para se optar pela regressão logística: não

é necessário supor normalidade multivariada das variáveis discriminantes e também

não é necessário que as matrizes de variância-covariância sejam iguais; sendo

assim uma técnica mais genérica e mais robusta, pois sua aplicação é apropriada no

caso de grande variedade de situações.

Segundo o mesmo autor, a regressão logística, mesmo que tenha uma única

variável estatística composta de coeficientes estimados para cada variável

independente – como na regressão múltipla – é estimada de uma maneira

inteiramente diferente. A regressão múltipla emprega o método de mínimos

quadrados, o qual minimiza a soma das diferenças quadradas entre os valores reais

e os previstos para a variável dependente. A natureza não linear da transformação

logística demanda que um outro procedimento, o de máxima verossimilhança seja

usado de forma iterativa para encontrar as estimativas “mais prováveis” para os

coeficientes. Isso resulta no valor de verossimilhança no lugar de quadrados quando

se calcula a medida de ajuste geral do modelo.

48

Uma das vantagens da regressão logística é que é preciso saber apenas se um

evento (cancelamento do contrato ou não) ocorreu para então usar um valor

dicotômico como variável dependente. A partir desse valor dicotômico, o

procedimento prevê sua estimativa de da probabilidade de que o evento ocorrerá ou

não. Assim cada elemento é classificado de acordo com a maior probabilidade

prevista de pertencer a um grupo.

O procedimento que calcula o coeficiente logístico compara a probabilidade de um

evento ocorrer com a probabilidade de ele não ocorrer. Essa razão de desigualdade

pode ser expressa como: Prob (evento ocorrer) = e β

0 + β

1 X

1 + β

2 X

2 + ... + β

p X

p

Prob (evento não ocorrer)

Os coeficientes estimados (β0 , β1 , β2 , βP ) são medidas de variações na proporção

das probabilidades,chamada de ração de desigualdade. Além disso, eles são

expressos em logaritmos, precisando, portanto, ser transformados de volta de foram

que seu efeito sobre as probabilidades seja avaliado mais facilmente.

Na regressão logística, a probabilidade de ocorrência de um evento pode ser

estimada diretamente. No caso da variável dependente Y assumir apenas dois

possíveis estados (1: se o elemento pertence ao grupo 1 ou 0: caso contrário) e

haver um conjunto de p variáveis independentes X1 ,X2 , ... , Xp, o modelo de

regressão logística pode ser registrado da seguinte forma:

e g(X)

P(Y=1) = ____________________

1+ e g(X)

Em que g(X) = β0 + β1X1 +......+ βpXp

49

Os coeficientes β0, β1, ..., βp são estimados a partir do conjunto de dados, pelo

método da máxima verossimilhança. Esse método encontra uma combinação de

coeficientes, a qual maximiza a probabilidade de a amostra ter sido observada

(HOSMER e LEMESHOW, 1989). Considerando certa combinação de coeficientes

β0, β1, ..., βp e variando os valores de X, observa-se que a curva logística tem

comportamento probabilístico no formato da letra S, o que é característica da

regressão logística, representada na Fig. 1.

Figura 1 – Forma da relação logística entre variáveis dependente e independente. Fonte: Hair et al., 2005.

Assim, para se estimar diretamente a probabilidade de ocorrência de um evento,

pode-se estimar a probabilidade de não-ocorrência por diferença:

P (Y = 0) = 1 - P (Y = 1)

Ao se utilizar a regressão logística, a principal suposição é de que o logaritmo da

razão entre as probabilidades de ocorrência e não-ocorrência do evento é linear.

Nesse estudo, a regra de classificação foi a seguinte:

- se P(Y=1) > 0,5, então classifica-se Y=1;

- caso contrário, classifica-se Y=0.

-

0,50

1,00

1,50

2,00

2,50

3,00

3,50

4,00

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00 10,00Nível da variável independenteBaixo Alto

Prob

abili

dade

de

even

to

(var

iáve

l dep

ende

nte)

0

1,0

-

0,50

1,00

1,50

2,00

2,50

3,00

3,50

4,00

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00 10,00Nível da variável independenteBaixo Alto

Prob

abili

dade

de

even

to

(var

iáve

l dep

ende

nte)

0

1,0

50

3.3 Medidas de Ajuste do Modelo O modelo ajustado tem como objetivo principal discriminar os indivíduos que

cancelarão seus contratos dos indivíduos que permanecerão clientes. Existem várias

medidas que permitem mensurar e comparar o desempenho de modelos na

realização desse propósito. Nesta seção são apresentadas três das medidas de

desempenho mais populares e que foram utilizadas na comparação dos modelos

ajustados: curva ROC, estatística de Kolmogorov-Smirnov e distância de

Mahalanobis.

3.3.1 Análise da Curva ROC

A curva ROC (Receiver Operating Characteristics) é uma ferramenta poderosa para

medir e especificar problemas no desempenho de modelos discriminantes. Esta

análise por meio de um método gráfico simples e robusto, permite estudar a variação

da sensibilidade e especificidade, para diferentes valores de corte. A área abaixo da

curva ROC está associada ao poder discriminante de um modelo (HOSMER e

LEMESHOW, 1989).

É utilizada em diversas áreas que trabalham com dados binários. É baseada nos

conceitos de sensitividade (proporção de clientes ativos que são classificados

corretamente) e especificidade (proporção de clientes cancelados que são

classificados corretamente), que são estatísticas que podem ser determinadas a

partir da tabela de classificação, observando a porcentagem de classificação correta

por grupo. Quanto maior a sensitividade e a especificidade, o ajuste do modelo é

considerado mais robusto. O valor máximo da estatística ROC é 100%.

51

3.3.2 Estatística de Kolmogorov-Smirnov (KS)

A estatítica de Kolmogorov-Smirnov (KS) é usada na teoria estatística não

paramétrica para testar se as funções distribuição de uma variável são iguais em

dois grupos (Conover, 1999). Para a regressão logística ajustada nesse estudo, a

estatística é utilizada para comparar a distribuição da variável score, denotada por s,

entre clientes e ex-clientes.

Em um modelo de bom desempenho, aos ex-clientes (possíveis infiéis) são

atribuídos predominantemente altos scores, enquanto há uma maior concentração

de clientes fiéis entre os baixos scores. Nesse caso, definindo-se Fb(s) como a

freqüência relativa acumulada dos scores entre os clientes fiéis e Fm(s) a freqüência

relativa acumulada do score de clientes infiéis, tem-se que Fm(s) se aproximará

rapidamente de 1, enquanto Fb(s) se manterá, para um maior número de valores de

s, próximo de 0. Portanto, quanto mais rápido o crescimento de Fm(s) e mais lento o

de Fb(s), melhor é o modelo. Em virtude disso, a estatística de Kolmogorov-Smirnov

definida como KS = max { Fm(s) - Fb(s)}

s

é uma medida de desempenho de um modelo logístico. O KS varia entre 0 e 1 e os

valores mais altos indicam uma melhor performance.

3.3.3 Distância de Mahalanobis

A distância de Mahalanobis (Hair et al., 2005) é a mais simples das três medidas de

desempenho adotadas. Essa medida é usada no procedimento stepwise para

determinar as variáveis com maior poder de discriminação. Sabe-se que, quanto

52

mais concentrados os clientes fiéis estiverem nos baixos scores e os infiéis nos altos

scores, melhor é o desempenho do modelo. Dessa forma, é natural a comparação

do score médio entre clientes fieis e infiéis. O score, dependendo da técnica utilizada

para sua obtenção, pode variar em um intervalo de valores muito diferente. Portanto,

na comparação dos scores médios, deve-se levar em consideração a variabilidade

dos dados.

Calculando a média dos escores discriminantes para todos os indivíduos em um

grupo pode-se obter a média do grupo. Essa média de grupo é chamada de

centróide. Quando a análise envolve dois grupos, há dois centróides. Os centróides

indicam o local mais típico de qualquer indivíduo de um grupo particular, e uma

comparação dos centróides de grupos mostra o quão afastados estão os grupos ao

longo da dimensão testada.

O teste de significância estatística da função discriminante é uma medida

generalizada da distância entre os centróides de grupos. Assim como para as

demais medidas, quanto maior o valor da distância de Mahalanobis, melhor é o

desempenho do modelo.

Essa medida tem uma desvantagem em relação às anteriores. Ela não tem um

intervalo de variação limitado podendo, em principio, variar de 0 a infinito. (HOSMER

e LEMESHOW, 1989).

A análise foi operacionalizada por meio do software SPSS®.

53

4 COLETA E ANÁLISE DOS DADOS Este capítulo está organizado em quatro etapas: descrição das variáveis, perfil das

amostras, análise de regressão logística para construção e validação do modelo e

análise exploratória das variáveis consideradas no índice criado.

4.1 Descrição das variáveis

Nessa etapa, são abordadas as atividades desenvolvidas para atender ao primeiro

objetivo específico deste trabalho: identificar as variáveis que explicam a fidelização

dos clientes no contexto estudado. Além de serem apresentados os dados

envolvidos na elaboração das variáveis referentes à previsão de cancelamento do

contrato, são também enfocadas as atividades realizadas para conhecimento,

identificação de problemas e detecção do subconjunto de dados de interesse para

este estudo.

Como já descrito anteriormente, para seleção da amostra e das variáveis analisadas

nesta pesquisa, foram considerados os seguintes aspectos:

• a análise foi realizada por contrato;

• apenas para clientes dos planos pós pagos de pessoas físicas;

• contratos ativos ou suspensos na data da coleta dos dados, ou que foram

cancelados voluntariamente nos últimos três meses antes da data da coleta;

• exclusão das migrações de contratos entre planos de serviços, por haver

divergência de comportamento entre um plano e outro. Além disso, o volume

de contratos migrados não é significativo;

• adoção da seguinte fórmula para todas as variáveis calculadas como média

mensal:

(Volume total / Tempo de base em dias) x 30

O estudo começou com o levantamento, nos sistemas da empresa, de todas as

variáveis disponíveis, passíveis de relacionamento com o churn e/ou com o

54

comportamento do cliente quanto à sua intenção de cancelar ou manter seu contrato

ativo.

Foram levantadas inicialmente três variáveis de identificação dos contratos (número

identificador, número do telefone celular e status do contrato: ativo, suspenso ou

desativado) e mais 361 variáveis brutas. Essas variáveis foram analisadas e

verificou-se a necessidade de agregação, cálculo de novas variáveis que fossem

mais representativas, e por fim, o modelo considerou apenas 18 variáveis. A TAB. 2

mostra a seqüência de filtros aplicados para a seleção das variáveis.

Tabela 2 Resumo dos filtros aplicados para seleção das variáveis, Minas Gerais

Out. 2004 – Jun. 2005

Tipos de variáveis Variáveis brutas

Variáveis derivadas

Variáveis correlacionadas

Entraram no modelo

Ficaram no modelo

Tráfego 218 99 26 9 4Fatura 29 20 9 1 1Cadastro 17 16 12 10 4Serviço 23 7 5 5 2Relacionamento 74 68 51 10 7Total 361 210 103 35 18

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

4.1.1 Análise das variáveis brutas

Esta fase, de análise exploratória das variáveis da pesquisa, abrange todo o

universo de clientes por ser um banco de dados que está disponível e que permite,

com custos irrelevantes de coleta de dados e de execução dos programas

computacionais, uma vantagem muito importante que é uma margem de erro

associada à analise igual a zero. As amostras selecionadas foram utilizadas apenas

para construção e validação do índice de fidelidade.

Devido ao grande volume de variáveis tratadas, para explicar o processo de análise

que filtrou as variáveis consideradas, estão sendo apresentados apenas exemplos.

Entretanto, procedimentos similares foram adotados para todas as variáveis

55

envolvidas em cada etapa. O estudo descritivo completo será apresentado apenas

para as variáveis especialmente relevantes para o modelo proposto, no item 4.4.

• Exemplo da análise do tráfego

O tráfego de clientes corresponde ao perfil de uso do telefone celular. A quantidade

de informações disponíveis sobre o tráfego dos clientes é infinita, sendo

extremamente complexa sua análise, pois são registradas nos sistemas todas as

ligações e suas características, tais como: número e operadora de origem; número e

operadora de destino; data e hora do início e do fim da ligação; se a ligação é local

(VC1); entre cidades dentro do Estado (VC2); entre Estados (VC3) ou internacional;

se a ligação passou por outra rede (fixa ou móvel) diferente da operadora; qual a

localização do usuário, no momento em que a chamada se realizou: dentro da área

de concessão ou fora da área de concessão (denominada: roaming); valor da tarifa

por minuto, dependendo do horário da chamada (pico ou fora de pico) e outras. As

principais dimensões de registro do tráfego estão esquematizadas na FIG. 2.

Figura 2 - Esquema simplificado das dimensões de registro de tráfego. Fonte: Relatórios internos da empresa analisada, 2005.

TRÁFEGO

ENTRANTE

SAINTE

VC1

VC2

VC3

INTERNACIONAL

EM VIAGEM

TOTAL MÓVEL NA REDE

TOTAL MÓVEL FORA DA REDE

TOTAL FIXO

TOTAL

TOTAL MÓVEL FORA DA REDE

TOTAL FIXO

TOTAL MÓVEL NA REDE

TOTAL FORA DA REDE

56

O tráfego é medido em segundos e ocorre nas seguintes situações:

Sainte: ligações originadas pelos usuários ou recebidas com tarifação reversa

(recebidas a cobrar);

Entrante: ligações recebidas por qualquer usuário ou originadas com tarifação

reversa (originadas a cobrar).

O tráfego sainte ou originado é também denominado outgoing e o entrante ou

recebido é denominado incoming.

As ligações locais (VC1) constituem o maior volume de tráfego realizado (incoming e

outgoing), tanto pelos clientes quanto pelos ex-clientes, atingindo aproximadamente

80% do total do tráfego, como mostra o GRAF. 1. Pode-se perceber que o

comportamento dos dois grupos é muito próximo. Com essa concentração em

ligações locais e para efeito de organização dos dados, as demais aberturas do

tráfego foram agregadas (transformadas em variáveis dummy10) em função da baixa

participação na formação do perfil do cliente.

78,5

7,3 5,7

81,6

6,2 6,1

VC1 VC2 VC3Clientes Ativos Clientes Cancelados

Gráfico 1 – Distribuição do tráfego médio por contrato, em minutos,

Minas Gerais, Out. 2004 – Jun. 2005. Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

10 Variável não métrica transformada em uma variável métrica designando-se 1 ou 0 a um objeto, dependendo se este possui ou não uma característica. (HAIR, 2005).

57

4.1.2 Transformação das variáveis brutas em variáveis derivadas

Este procedimento foi realizado para todas as 361 variáveis brutas iniciais, que se

transformaram em 210 novas variáveis, denominadas derivadas.

• Exemplo de transformação das variáveis relacionadas às ligações entre cidades

no mesmo estado (VC2).

Analisando o comportamento da distribuição do tráfego entre cidades no mesmo

estado (VC2), como mostra fo GRAF. 2, percebe-se uma concentração muito

grande de usuários com baixo tempo de utilização desse serviço. Além disso, ao

se calcular a média de utilização de VC2 verificou-se um resultado de 7,72

minutos e pela avaliação dos percentis, foi observado que 90% dos clientes

utilizaram menos de 18 minutos. Ao longo do tempo, essa pouca variação

também foi observada.

Gráfico 2 – Distribuição de freqüência do tráfego sainte de interurbanos no Estado de Minas Gerais (VC2) – Out. 2004 – Jun. 2005.

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

0 3 6 9 12 15 18 21 24 27 30

Média de min. VC2

0%

10%

20%

30%

40%

50%

60%

% d

e cl

ient

es

58

Com base nas estatísticas descritivas referentes ao tráfego VC2, foram criadas 4

variáveis Dummy, a partir das 5 faixas de tráfego mensal médio por cliente,

conforme mostra a TAB. 3.

Tabela 3 Faixas de tráfego entre cidades do Estado de Minas Gerais (VC2)

Out. 2004 – Jun. 2005

Faixas de Tempo PercentualNão gerou tráfego VC2 31,6%Até 2 minutos 34,5%De 2 a 5 minutos 11,4%De 5 a 10 minutos 7,5%Mais de 10 minutos 15,0%

TOTAL 100,0%

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

O próximo passo foi estabelecer a existência de relação entre as faixas de utilização

de tráfego VC2 e o cancelamento de clientes. Para isso, procedeu-se ao cálculo da

razão entre o percentual de cancelamento voluntário de contratos de clientes

cancelados (churn) e o percentual de clientes ativos (não-churn), por faixa de

utilização de tráfego a fim de classificar o risco de cada faixa criada. Assumiu-se

que, se essa razão fosse maior ou igual a 1 (um), seria uma faixa de risco de

cancelamento de contrato; caso contrário, seria uma faixa de proteção (TAB. 4).

Tabela 4 Avaliação da relação entre as faixas de tráfego VC2 e o status do cliente – Out. 2004

– Jun. 2005

Faixas de Tempo % Clientes cancelados

% Clientes ativos TOTAL

% Clientes cancelados por %

Clientes ativosDiagnóstico

Não gerou tráfego VC2 43% 31% 32% 1,38 RISCOAté 2 minutos 31% 35% 35% 0,90 PROTEÇÃODe 2 a 5 minutos 10% 11% 11% 0,88 PROTEÇÃODe 5 a 10 minutos 6% 8% 7% 0,78 PROTEÇÃOMais de 10 minutos 10% 15% 15% 0,66 PROTEÇÃOTOTAL 100% 100% 100% Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

59

Ao analisar a TAB. 4, pode-se verificar que existe apenas uma faixa de risco. Este

fato possibilitou a agregação das demais faixas e a criação de apenas uma variável

Dummy que representa se o usuário gerou ou não tráfego VC2.

A TAB. 5 apresenta a nova configuração da variável com apenas duas faixas de

utilização de ligações interurbanas dentro do Estado de Minas Gerais. A

interpretação da razão entre cliente cancelados e ativos é a mesma da TAB. 4, que

considera para essa razão resultado maior ou igual a 1 (um) risco para o

cancelamento do contrato, onde tem-se o diagnóstico de uma faixa de risco

(usuários que não geraram tráfego VC2 no período) e uma faixa de proteção

(usuários que gerou tráfego VC2).

Tabela 5 Avaliação da relação entre as faixas agregadas de tráfego VC2 e o status do cliente

– Out. 2004 – Jun. 2005

Faixa tráfego VC2 % Clientes ativos

% Clientes cancelados TOTAL

% Clientes cancelados /

% Clientes ativosDiagnóstico

Não gerou VC2 31% 43% 32% 1,38 RISCOGerou VC2 69% 57% 68% 0,83 PROTEÇÃOTOTAL 100% 100% 100%

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

4.1.3 Variáveis associadas - Testes de hipóteses para avaliar a associação das variáveis com o churn voluntário

Para as 210 variáveis derivadas, foram realizados testes de hipóteses (qui-

quadrado) para tabelas cruzadas, como registra, a título de exemplo a TAB. 6.

A hipótese nula (H0) testada para cada variável tem a seguinte configuração:

H0: Não existe associação entre a variável em estudo e Churn Voluntário.

60

Assim, para testar se a variável relacionada à utilização de ligações interurbanas no

Estado de Minas Gerais tem associação com o Churn voluntário, adotou-se a

seguinte hipótese e os resultados estão apresentados na TAB. 6.

H0: Não existe associação entre a variável Tráfego VC2 e Churn Voluntário.

H1: Existe associação entre a variável Tráfego VC2 e Churn Voluntário.

Tabela 6 Teste de hipótese para a variável Tráfego VC2 – Minas Gerais

out. 2004 – jun.2005

Estatísticas de avaliação Valor da Estatística de Teste

Graus de Liberdade

Nível de significância

bilateralQui-quadrado (Pearson) 245,10 1 0,00Correção de continuidade 244,75 1 0,00Taxa de maxima verossimilhança 236,12 1 0,00Associação linear 245,10 1 0,00Número de casos válidos 162.410

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

As estatísticas de teste utilizadas mostram que a hipótese nula foi rejeitada,

indicando que a associação entre as variáveis é estatisticamente significativa.

De todos os testes realizados, apenas 103 variáveis apresentaram associação com

o churn. Essas foram selecionadas e iniciou-se uma nova etapa de análise para

tentar reduzir o número de variáveis envolvidas nessa pesquisa.

61

4.1.4 Análise de Correlação ou Associação

Às 103 variáveis selecionadas na etapa anterior foi aplicado novamente um filtro,

identificando e tratando aquelas que apresentaram alta correlação ou associação

entre si. Ficaram então 35 variáveis.

Parte da análise de correlação realizada está apresentada, como exemplo para as

variáveis de tráfego, na TAB. 7.

A escolha das 35 variáveis respeitou, respectivamente os seguintes critérios:

1. caracterização do perfil de uso do cliente;

2. maior relação com o churn (segundo os testes realizados nas tabelas de

contingência);

3. disponibilidade e facilidade de coleta.

Tabela 7 Correlação entre as variáveis de Tráfego e os valores faturados – Minas Gerais

Out. 2004 – jun.2005

Ligações originadas

Ligações recebidas Trafego total Tráfego

sainteTrafego entrante

Entrante vs. Sainte

Correlação de Person 1,00 0,64 0,91 0,18 -0,16 -0,03Nível de significância bilateral , 0,00 0,00 0,00 0,00 0,00Número de casos 206.486 206.486 206.486 206.486 206.486 206.486Correlação de Person 1,00 0,90 -0,34 0,36 0,03Nível de significância bilateral , 0,00 0,00 0,00 0,00Número de casos 206.486 206.486 206.486 206.486 206.486Correlação de Person 1,00 -0,08 0,10 0,00Nível de significância bilateral , 0,00 0,00 0,26Número de casos 206.486 206.486 206.486 206.486Correlação de Person 1,00 -0,94 -0,10Nível de significância bilateral , 0,00 0,00Número de casos 206.486 206.486 206.486Correlação de Person 1,00 0,10Nível de significância bilateral , 0,00Número de casos 206.486 206.486Correlação de Person 1,00Nível de significância bilateral ,Número de casos 206.486

VARIÁVEIS DE TRÁFEGOVALOR TOTAL FATURADOVARIAVEIS CORRELACIONADAS ESTATÍSTICAS CALCULADAS

Trafego entrante

Entrante vs. Sainte

VARIÁVEIS DE TRÁFEGO

VALOR TOTAL

FATURADO

Ligações originadas

Ligações recebidas

Trafego total

Tráfego sainte

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

62

A partir da análise de correlação entre as variáveis de tráfego e valores faturados, foi

identificada uma alta correlação entre o valor faturado por ligações originadas e

recebidas, respectivamente 0,91 e 0,90 (valores em negrito) e o volume de tráfego

total.

Objetivando reduzir o volume de variáveis, decidiu-se utilizar as variáveis de tráfego

e excluir as relacionadas ao faturamento, ou seja, ao invés de se analisarem três

variáveis, optou-se pela análise de apenas uma: o tráfego total. Essa decisão foi

baseada no fato de que o valor faturado é influenciado pelo custo unitário do minuto,

sofrendo assim, alterações periodicamente. Já os volumes de tráfego são

relacionados ao comportamento do cliente.

Observou-se também, entre o tráfego de ligações geradas (tráfego outgoing) e o de

ligações recebidas (tráfego incoming), uma correlação inversa de -0,945. Por essa

razão, ao invés de se utilizarem as duas variáveis, foi criada uma nova variável

representando a razão entre o tráfego total médio entrante o tráfego total médio

sainte.

Após a execução dessas etapas, foram identificadas as variáveis que entraram na

elaboração do modelo proposto, para as quais foram extraídas as amostras

utilizadas para ajustar e testar a consistência e a validade do modelo. O QUADRO 1

apresenta o tipo e a descrição das três variáveis de identificação e das 35 variáveis

que entraram no modelo.

63

Quadro 1 Descrição das variáveis integrantes do modelo – Minas Gerais

Out. 2004 – Jun. 2005

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

64

4.2 Perfil das amostras Foram selecionadas duas amostras para a realização deste estudo: uma,

denominada amostra de análise que foi utilizada na proposição do índice de

fidelização e outra, amostra de validação que foi utilizada para verificar a

consistência do índice. A TAB. 8 apresenta o plano amostral utilizado.

Tabela 8 Plano amostral, Minas Gerais, Out. 2004 – Jun. 2005

Amostra/Universo Clientes Ativos Clientes Cancelados TotalAmostra de análise 1.000 1.000 2.000Amostra de validação 1.000 1.000 2.000Universo 154.618 7.792 162.410% clientes /Total 95% 5% 100%

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

4.3 Análise de regressão logística para construção e validação do modelo

Além de ser possível identificar o perfil do cliente fiel, também é possível criar e

quantificar quão fiel cada cliente é. Na próxima etapa deste estudo, será proposto o

modelo para geração de um índice passível de prever a fidelidade de clientes em

telefonia celular.

O modelo estatístico estabelecido é capaz de estimar a probabilidade de um evento

dicotômico ocorrer (churn - 0 ou 1) com base na observação de variáveis

explicativas, atendendo, ao objetivo geral proposto para este estudo: construir um

índice de fidelização de clientes.

O modelo desenvolvido é capaz de analisar todas as variáveis em conjunto e atribuir

pesos às variáveis realmente importantes, chegando com pequena margem de erro

à resposta procurada, ou seja, a probabilidade de cancelamento do contrato firmado

pelo cliente de telefonia celular com a operadora pesquisada.

65

4.3.1 Ajuste dos modelos amostrais: Amostra de análise e amostra de

validação

A construção do índice para prever a fidelidade de clientes envolveu 35 variáveis e

baseou-se em regressão logística. Como critério de seleção das variáveis

componentes do modelo final da regressão logística utilizou-se os métodos Enter,

Forward, Backward e stepwise, procedimentos mediante os quais é possível

encontrar o conjunto de variáveis que geram o melhor ajuste do modelo.

Segundo Malhotra (2001), pelo método Enter o pesquisador escolhe as variáveis

que necessariamente comporão o modelo, as quais deverão ser ajustadas. O

método Forward, por sua vez, começa com apenas uma variável e, a cada passo,

inclui as demais, introduzidas uma de cada vez, somente se satisfazem certos

critérios definidos em termos da razão F. A ordem em que elas vão sendo incluídas

se baseia na contribuição para a variância explicada. O método Backward, por outro

lado, inicia o processo de regressão incluindo todas as variáveis indicadas e, em

cada passo (step), simula equações, retirando a variável que menos influencia o

ajuste do modelo, também baseado na razão F.

A variável “Última segmentação do cliente” foi também utilizada, entrando algumas

vezes no modelo, para testar a existência ou não de diferença significativa entre os

ajustes.

Foram realizadas diversas simulações de modelos: Pelo método Enter, foram

simulados 15 (quinze) modelos de regressão; para os métodos Forward e Backward,

os passos (steps) geraram tantos modelos quantas foram as variáveis escolhidas

para cada um. Ao final, foram analisados aproximadamente 300 modelos e seus

respectivos ajustes, até que se encontrasse aquele capaz de identificar as variáveis

mais significativas para explicar o evento da fidelidade, excluindo-se, então, as

menos significativas.

66

O método que gerou os resultados mais aderentes foi o Forward (o método de

estimação de parâmetros foi o de máxima verossimilhança - loglikelihood ratio

method).

O modelo utilizado foi desenvolvido para a amostra de análise. Apesar disso, como

foram coletadas duas amostras (e mesmo sabendo que a amostra de validação seria

utilizada apenas para testar a aderência do modelo produzido para a amostra de

análise), foi criado um modelo para a amostra de validação também. Os resultados

para as duas amostras geraram resultados muito semelhantes, conforme mostrado

nas tabelas 9 e 10.

Tabela 9 Amostra de análise: Modelo para previsão da fidelidade de clientes de telefonia

celular

Inferior Superior

V1 Indicadora do serviço de Caixa Postal 0,690 0,154 20,023 0,000 1,994 1,474 2,698

V2 Tempo de base em dias 3,325 0,155 461,278 0,000 27,813 20,533 37,674

V3 Trafego Médio mensal -0,650 0,212 9,409 0,002 0,522 0,344 0,791

V4 Quantidade de contas pagas em atraso -0,357 0,081 19,286 0,000 0,700 0,597 0,821

V5 Média de informações 0,156 0,076 4,235 0,040 1,168 1,007 1,355

V6 Número de vezes que o nome do cliente foi enviado aoorgão de proteção ao crédito 0,337 0,124 7,442 0,006 1,401 1,100 1,784

V7 Razão entre o valor médio da assinatura e o valor médioda fatura 0,198 0,084 5,589 0,018 1,218 1,034 1,435

V8 Razão entre o tráfego total médio entrante (INCOMING) eo tráfego total médio sainte (OUTGOING) 0,522 0,108 23,449 0,000 1,685 1,364 2,082

V9 Indicadora de Tipo de pagamento -possui ou não débitoautomático 1,017 0,220 21,391 0,000 2,764 1,796 4,253

V10 Plano tarifário associado ao contrato -0,277 0,122 5,201 0,023 0,758 0,597 0,962

V11 Razão entre tempo de tráfego e tempo apto a gerartráfego 1,142 0,138 68,129 0,000 3,134 2,389 4,110

V12 Média de informação sobre cancelamento 1,294 0,096 183,027 0,000 3,646 3,023 4,397

V13 Média de contato ativo de cobrança -0,572 0,125 21,051 0,000 0,564 0,442 0,721

V14 Média de solicitação de cancelamento retido sem custo -2,327 0,166 195,954 0,000 0,098 0,070 0,135

V15 Média de solicitação de cancelamento retido com termofidelidade 0,725 0,174 17,459 0,000 2,065 1,470 2,901

V16 Média de solicitação de cancelamento retido com custo -0,320 0,163 3,843 0,050 0,726 0,528 1,000

V17 Média de solicitação de cancelamento 1,318 0,168 61,607 0,000 3,735 2,688 5,191

V18 Razão entre o tráfego TOTAL médio dos últimos 3 mesese o tráfego TOTAL médio -0,456 0,138 10,926 0,001 0,634 0,484 0,831

Constante -0,247 0,229 1,164 0,281 0,781

Exp(b)Intervalo de Confiança

95% para Exp(β)Variáveis βDesvio padrão Wald Nível de

Significância

Código das

Variáveis

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

67

Na regressão múltipla, o valor t é usado para avaliar a significância de cada

coeficiente. A regressão logística usa uma estatística diferente, a estatística Wald.

Ela fornece a significância estatística para cada coeficiente testado, de modo que o

teste de hipóteses de que um coeficiente é diferente de zero pode ocorrer como

acontece na regressão múltipla.

Ao avaliar o modelo ajustado para a amostra de análise, verifica-se, pela análise da

estatística Wald, que todos os coeficientes são significativamente diferentes de zero,

ao nível de 5%, exceto a constante do modelo. A estatística Wald apresentou um

resultado de 1,164, com nível de significância de 28,1%, o que significa que a

hipótese nula não foi rejeitada (constante é igual a zero).

Tabela 10 Amostra de validação: Modelo para previsão da fidelidade de clientes em telefonia

celular

Inferior Superior

V1 Indicadora do serviço de Caixa Postal 0,688 0,163 20,021 0,000 1,989 1,962 2,027

V2 Tempo de base em dias 3,318 0,146 461,271 0,000 27,604 27,427 27,873

V3 Trafego Médio mensal -0,652 0,217 9,407 0,002 0,521 0,399 0,677

V4 Quantidade de contas pagas em atraso -0,357 0,074 19,285 0,000 0,700 0,550 0,897

V5 Média de informações 0,155 0,080 4,235 0,040 1,168 1,065 1,289

V6 Número de vezes que o nome do cliente foi enviado aoorgão de proteção ao crédito 0,337 0,127 7,446 0,006 1,401 1,202 1,675

V7 Razão entre o valor médio da assinatura e o valor médioda fatura 0,198 0,075 5,589 0,018 1,219 1,058 1,423

V8 Razão entre o tráfego total médio entrante (INCOMING) eo tráfego total médio sainte (OUTGOING) 0,521 0,100 23,448 0,000 1,684 0,903 0,903

V9 Indicadora de Tipo de pagamento -possui ou não débitoautomático 1,019 0,222 21,390 0,000 2,772 2,611 2,958

V10 Plano tarifário associado ao contrato -0,276 0,127 5,200 0,023 0,759 0,575 0,976

V11 Razão entre o tráfego TOTAL médio dos últimos 3 mesese o tráfego TOTAL médio -0,457 0,144 10,927 0,001 0,633 0,332 1,017

V12 Média de informação sobre cancelamento 1,295 0,098 183,026 0,000 3,652 3,331 4,048

V13 Média de contato ativo de cobrança -0,573 0,131 21,052 0,000 0,564 0,044 1,268

V14 Média de solicitação de cancelamento retido sem custo -2,376 0,168 195,953 0,000 0,093 -0,502 0,929

V15 Média de solicitação de cancelamento retido com termofidelidade 0,720 0,183 17,409 0,000 2,055 1,087 3,543

V16 Média de solicitação de cancelamento retido com custo -0,326 0,172 3,838 0,050 0,722 -0,022 1,698

V17 Média de solicitação de cancelamento 1,322 0,169 61,601 0,000 3,750 3,127 4,501

V18 Razão entre tempo de tráfego e tempo apto a gerartráfego 1,139 0,129 68,126 0,000 3,124 2,077 4,580

Constante -0,247 0,234 1,164 0,281 0,781

Intervalo de Confiança 95% para Exp(β)

Código das

Variáveis

Desvio padrão Wald Nível de

Significância Exp(β)Descrição β

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

68

Estão apresentadas abaixo as equações encontradas para as duas amostras.

Comparando os dois modelos, pode-se perceber que os coeficientes são muito

parecidos. Isso reforça a aderência do modelo criado para o objetivo proposto.

Entretanto, o modelo produzido para a amostra de análise foi o utilizado para fazer

as validações da amostra de validação e do universo.

Modelo com a Amostra de análise:

g(V)= -0,247 + 0,690 x V1 + 3,325 x V2 - 0,650 x V3 - 0,357 x V4 + 0,156 x V5 + 0,337 x V6

+ 0,198 x V7 + 0,522 x V8 + 1,017 x V9 - 0,277 x V10 - 0,456 x V11 + 1,294 x V12 - 0,572 x

V13 - 2,327 x V14 + 0,725 x V15 - 0,32 x V16 + 1,318 x V17 + 1,142 x V18

Modelo com a Amostra de validação:

g(V)= - 0,247 + 0,688 x V1 +3,318 x V2 - 0,652 x V3 - 0,357 x V4 + 0,155 x V5 + 0,337 x V6

+ 0,198 x V7 + 0,521 x V8 +1,019 x V9 - 0,276 x V10 - 0,457 x V11 +1,295 x V12 - 0,573 x

V13 - 2,376 x V14 + 0,72 x V15 - 0,326 x V16 +1,322 x V17 + 1,139 x V18

4.3.2 Interpretação dos coeficientes do modelo ajustado

• Se exp(β) tender a zero, um aumento na variável X provocará uma diminuição da

probabilidade de churn, ou seja, a influência da variável X é inversamente

proporcional à probabilidade de churn.

• Se exp(β) for muito maior que 1, um aumento na variável determinará um

aumento da probabilidade de churn, ou seja, a influência da variável X é

diretamente proporcional à probabilidade de churn.

• Se exp(β) tender a 1, significa que a variável X tem baixa influência na

probabilidade de churn.

69

A partir dessas inferências, apesar de todas as variáveis que ficaram no modelo

serem significativas para identificar a probabilidade de cancelamento dos contratos,

foi possível identificar as variáveis que mais oferecem risco e proteção para a base,

conforme sintetiza o QUADRO 2, a seguir:

QUADRO 2

Fatores determinantes de risco e proteção para a base de clientes

Risco (coeficiente β grande e positivo)

β > 1,0

Proteção (Coeficiente β grande e negativo)

β < - 0,5

Tempo de base Solicitação de cancelamento Informação de cancelamento Razão do tempo de tráfego Desativação de débito automático

Retenção sem custo Tráfego médio mensal Média de contato ativo de cobrança

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

4.3.3 Avaliação da consistência do modelo construído

A validação do modelo proposto para a amostra de análise está mostrada abaixo na

TAB. 11 para a própria amostra de análise, para a amostra de validação e para o

universo. Os resultados são muito próximos e indicam um bom ajuste do modelo

proposto.

Tabela 11 Classificação do modelo aplicado por grupos de clientes

Clientes ativos

Clientes cancelados

Fiéis 902 180 1.083Infiéis 98 820 917TOTAL 1.000 1.000 2.000Fiéis 917 178 1.095Infiéis 83 822 905TOTAL 1.000 1.000 2.000Fiéis 139.819 1.334 141.153Infiéis 14.799 6.458 21.257TOTAL 154.618 7.792 162.410

Amostra de Análise

Amostra de Validação

Universo

Resultado apuradoAplicação do modelo Total

Status do cliente

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

70

4.3.3.1 Avaliação das tabelas de classificação

O ajuste do modelo logístico com as dezoito variáveis explicativas consideradas

mostra que apenas a constante não é significativa no modelo ajustado.

A análise das porcentagens de classificação incorretas, apresentada na TAB. 12

mostra que o modelo tem uma melhor capacidade preditiva para os clientes ativos

do que para os clientes cancelados. Observa-se que o modelo da amostra de

análise apresentou uma acuracidade de 90% referente aos clientes ativos, ou seja,

em 90% dos casos de manutenção do contrato pelo cliente foram confirmados pelo

modelo. Para o cliente cancelado o acerto foi de 82%, ou seja, foram mantidos 82%

dos contratos com clientes cujo comportamento sugeriu realmente intenção de

cancelá-lo. A análise realizada com a amostra de validação seguiu os mesmos

passos e obteve resultados muito semelhantes.

Tabela 12 Acuracidade dos modelos propostos

Clientes ativos

Clientes cancelados

Amostra de Análise 90% 82% 86%Amostra de Validação 92% 82% 87%Universo 91% 82% 90%

Aplicação do modeloStatus do cliente

Total

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

4.3.3.2 Avaliação dos testes realizados Foram posteriormente realizados testes para avaliar a qualidade do modelo, e os

resultados foram positivos, confirmando sua acuracidade, conforme mostra a TAB.

13.

71

Tabela 13 Testes de verificação da qualidade dos modelos

KS ROC MAHALANOBISAmostra de Análise 80% 0,95 5,05Amostra de Validação 77% 0,94 4,37Universo 78% 0,95 3,36

Aplicação do modeloTestes realizados

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

O resultado do teste Kolmogorov-Smirnov (KS) confirma a qualidade do modelo,

apresentando valores superiores a 75%, quando resultados entre 40 e 50% já

seriam considerados como uma excelente discriminação (Conover, 1999).

Com relação à medida de Mahalanobis, o modelo também apresenta um bom ajuste.

A distância de Mahalanobis é utilizada para identificar as variáveis que mais

discriminam os grupos. Portanto, para cada dupla de variáveis é calculada essa

medida e a menor distancia encontrada é apresentada como resultado para o

modelo. Quanto maior é essa medida, melhor é a discriminação. A medida de

Mahalanobis (k) representa a distância de um valor da variável X em relação à sua

média, medida em unidades do desvio padrão. K = |x-μ| / σ. Por exemplo, a P(|x-μ|

<= kσ) = 0,95 para k igual a 2.

De acordo com os testes realizados sobre a capacidade de distinção (ROC Curve)

do modelo nas duas amostras e no universo, o modelo apresenta capacidade de

distinção em torno de 95%, valor considerado acima do normal. O teste ROC já

revelaria uma boa aceitação, se o resultado obtido fosse um valor acima de 70%.

Esta estatística permite a criação de gráficos que mostram, visualmente, a qualidade

apurada. Os resultados estão representados nos GRAF. 3, 4 e 5. A forma dos

gráficos produzidos para as amostras é muito semelhante ao gráfico do universo. O

valor da estatística ROC representa a área abaixo da curva, portanto pode assumir o

valor máximo igual a 1. A análise do gráfico deve observar quão distante a curva

está da diagonal central (ângulo de 45 graus). Ou seja, quanto mais distante a curva

estiver da diagonal central melhor o ajuste do modelo, indicando a qualidade do

ajuste para definir corretamente clientes dentro dos grupos de clientes ativos (fiéis)

ou cancelados (infiéis).

72

ROC Curve

Diagonal segments are produced by ties.

1 - Specificity

1,00,75,50,250,00Se

nsiti

vity

1,00

,75

,50

,25

0,00

Gráfico 3 – Curva ROC para o universo Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

ROC Curve

Diagonal segments are produced by ties.

1 - Specificity

1,00,75,50,250,00

Sens

itivi

ty

1,00

,75

,50

,25

0,00

Gráfico 4 – Curva ROC para a amostra de análise Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

ROC Curve

Diagonal segments are produced by ties.

1 - Specificity

1,00,75,50,250,00

Sens

itivi

ty

1,00

,75

,50

,25

0,00

Gráfico 5 – Curva ROC para a amostra de validação Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

73

4.3.4 Aplicação dos resultados obtidos para o universo a partir do modelo

ajustado

A distribuição de probabilidade da variável resposta do modelo (Probabilidade de

cancelamento) aponta o pequeno volume de clientes com chance significativa de

cancelamento do contrato com a operadora (churn baixo), refletindo a realidade da

empresa e sua expectativa em face do quadro delineado no modelo. (GRAF. 6)

Gráfico 6 – Universo de clientes: modelo ajustado da probabilidade de cancelamento de contratos.

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

Através das estatísticas descritivas obtidas para a variável a probabilidade de

cancelamento de contratos, apresentadas na TAB. 14, verifica-se que o percentual

de clientes com probabilidade de cancelamento (índice de fidelidade) igual ou maior

que 0,5 é de 12,31%. Além disso, ao analisar os percentis, conclui-se que 95% dos

contratos apresentam uma probabilidade menor ou igual a 0,84, ou seja, a chance

de cancelamento do contrato é muito alta (maior ou igual a 0,84) apenas para 5% do

0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00

Probabilidade estimada

0%

2%

4%

6%

8%

10%

12%

14%

16%

18%

20%

% d

e cl

ient

es

74

universo pesquisado. Isso significa que o foco da empresa, em termos de fidelização

dos clientes, deve se concentrar inicialmente nessa parcela.

Tabela 14 Universo de clientes: estimativa do índice de fidelidade

25 50 75 90 95Probabilidade de cancelamento do contrato 0,23 0,06 0,06 0,17 0,30 0,57 0,84 87,69% 12,31%

% menor que 0,5

% maior ou igual a 0,5Variável Média Variância Percentis

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

4.4 Análise exploratória das variáveis que compõem o modelo

A seguir estão apresentadas as variáveis que compõem o modelo final, comparando

os parâmetros populacionais com as estatísticas obtidas nas amostras de ajuste e

de teste. Em todas as variáveis, pode ser percebida relevante diferença, quando são

comparadas as estatísticas entre os clientes que já cancelaram seus contratos

(churn) e os que não cancelaram (não-churn). É importante considerar que, além da

avaliação gráfica, todas as variáveis apresentaram diferença significativa nos testes

de hipóteses aplicados.

4.4.1 Avaliação do tempo de base dos clientes

Os dados da pesquisa evidenciaram que o tempo médio de base (número de dias

em que o cliente está vinculado à empresa) é maior entre os clientes ativos,

conforme mostra o GRAF. 7. Como existe um contrato de fidelização de doze

meses, os clientes cuja intenção é cancelar seu contrato de adesão ficam em média

dez meses, ocasião em que já podem negociar o cancelamento mediante

pagamento de multa pequena ou até mesmo com isenção.

75

334,9 334,3 335,2

296,4 295,8 296,1

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 7 - Tempo de base (em dias) Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

4.4.2 Avaliação do tráfego dos clientes

A avaliação do tráfego dos clientes, como já foi visto, depende de muitas variáveis.

Para efeito desta pesquisa, foram criadas três variáveis para representar e resumir

toda a complexidade das informações de tráfego:

1. Razão de tráfego: mede a relação entre o quantitativo de dias durante os quais o

cliente gerou tráfego (utilizando o celular para originar e receber ligações) e o

número de dias que o cliente esteve apto a gerar tráfego. Essa razão assume o

valor máximo igual a 1 (um), pois representa que o cliente originou ou recebeu

pelo menos uma ligação todos os dias, no período em que seu celular esteve

ligado. Essa relação, durante o período pesquisado está representada no GRAF.

8.

Pela avaliação dessa variável, pode ser verificado que o cliente que cancela seu

contrato de adesão à operadora, passa normalmente mais dias sem utilizar o

telefone do que aqueles que se mantêm fieis, sendo, portanto, menor a razão

registrada.

76

0,920,90 0,91

0,850,84

0,85

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 8 – Razão entre o tempo de tráfego e o tempo apto a gerar tráfego Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

2. Razão de tráfego (3 meses): compara a média dos últimos meses com a média

mensal de todo o tempo de base do cliente. Se essa razão for menor que 1 (um),

significa que, nos últimos três meses, o cliente falou menos que a média do seu

comportamento médio mensal; se for maior que 1 (um), significa que o cliente

falou mais nos três últimos meses, em relação à sua média mensal.

Pelo GRAF. 9 pode ser observado que, geralmente, o cliente que cancela seu

contrato com a operadora reduz o volume de tráfego nos últimos meses, quando

comparado ao cliente que permanece na base. Este tende a revelar um

comportamento médio ascendente em seu histórico. Isso pode ser verificado

através do GRAF. 10, o qual representa o histórico de tráfego de um cliente

“típico”, cuja tendência é aumentar gradativamente a utilização do telefone

celular.

77

1,10 1,06 1,13

0,73 0,78 0,77

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 9 – Razão entre o tráfego total médio dos últimos 3 meses e o tráfego total médio Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

8497 91 85

92 97 98 9585

out/04 nov/04 dez/04 jan/05 fev/05 mar/05 abr/05 mai/05 jun/05

Gráfico 10 – Histórico de tráfego outgoing médio mensal por usuário (em minutos)

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

3. Razão de tráfego (incoming/outgoing): compara o volume de ligações recebidas

em relação ao volume de ligações originadas. Quanto menor for essa razão,

menor é o volume de ligações recebidas em relação às originadas.

78

0,96 0,940,99

0,85 0,830,88

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 11 – Razão entre o tráfego total médio recebido e o tráfego total médio gerado Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

Pelo GRAF. 11, ao avaliar a razão entre o tráfego recebido (incoming) e gerado

(outgoing), percebe-se que, entre os clientes que cancelam seu contrato de adesão

à operadora, essa razão é menor, ou seja, tendem a receber menos chamadas do

que as que geram. Este pode ser um fator importante na decisão de cancelamento,

pois não recebendo muitas ligações, não se importa de trocar ou “perder” o número

do celular.

94,0 94,3 94,5

91,5 91,290,8

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 12 – Tráfego médio mensal gerado pelos clientes (em minutos). Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

79

A última variável considerada no modelo, foi o tráfego médio mensal de ligações

geradas por clientes (em minutos). Os dados da pesquisa revelaram que os usuários

em vias de cancelar seus contratos utilizam, em média, menos tempo de celular que

os clientes que permanecem na base. (GRAF. 12).

4.4.3 Perfil de Pagamento das faturas

A variável mostrada no GRAF. 13 não entrou no modelo, mas mostra, por faixas, a

razão entre as contas pagas em atraso, em relação ao total de contas recebidas

pelo cliente. A primeira faixa mostrada, razão igual a zero, significa que o cliente não

atrasou o pagamento de nenhuma fatura. Na outra extremidade, razão maior que

0,75, mostra o percentual de clientes que atrasou pelo menos 75% das faturas do

seu contrato.

A partir desse conceito, verifica-se que, entre os clientes ativos, o percentual de

contas em atraso (razão = 0) é maior do que entre os que cancelam. Na outra

extremidade do mesmo gráfico, é apresentado que a razão para o percentual de

clientes que cancelam tem essa razão maior. Ou seja, o cliente ativo tende a realizar

os pagamentos no prazo com maior freqüência que os clientes que já cancelaram

seus contratos.

80

33%

18%

32%

18%

27%

18%

26%29%

0 0,01 A 0,25 0,25 A 0,75 > 0,75

Clientes ativos Clientes cancelados

Gráfico 13 – Razão de contas pagas em atraso. Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

O GRAF. 14 mostra que os clientes que cancelam os contratos, mesmo

voluntariamente, tem uma média de contas em atraso maior do que aqueles que

permanecem ativos. Essa média chega a ser o dobro entre os clientes cancelados.

2,75 2,71 2,68

5,98 5,87 6,03

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 14 – Quantitativo médio de contas pagas em atraso. Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

Analisando o GRAF. 15, observa-se que os clientes que permanecem na base

tendem a ter uma razão menor entre assinatura e fatura, ou seja, a utilização do

celular é maior entre os clientes que permanecem na base; consequentemente, a

assinatura não representa muito perante a conta total. Assim quanto maior for a

81

razão entre a assinatura e a fatura, menor será o percentual de utilização do celular

pelo cliente, o que faz com que a assinatura seja considerada alta, em relação ao

benefício do serviço. Este fato é ponderado pelo cliente, na decisão do

cancelamento do contrato.

0,44 0,42 0,410,49 0,50 0,47

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 15 – Razão entre o valor médio da assinatura e valor médio da fatura. Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

A maioria dos usuários da operadora pesquisada não utiliza o serviço de débito

automático (mais de 85%). Pelo GRAF. 16 verifica-se que o percentual de clientes

que desativam o serviço de débito automático é muito maior entre os clientes que

cancelam posteriormente seus contratos. O fato de um cliente optar por efetuar seus

pagamentos sem utilizar o mecanismo de cobrança automática não irá significar uma

ameaça de cancelamento do contrato. Mas, uma vez utilizado, a desativação dos

serviços associados a seu contrato é indicio de intenção de cancelamento.

82

1,8% 1,5% 1,9%

4,8% 4,9% 5,2%

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados Gráfico 16 – Pagamentos efetuados mediante débito automático.

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

O contato de cobrança acontece quando o cliente atrasa o pagamento por mais de

quinze dias. Esse contato tem como objetivo lembrar aos clientes que devem efetuar

o pagamento da conta, para que seu telefone não seja bloqueado. É também uma

oportunidade de negociação do prazo para pagamento ou parcelamento. Verifica-se

pelo GRAF. 17 que, entre os clientes que cancelam voluntariamente seus contratos,

o percentual que recebeu contato ativo de cobrança acontecesse com maior

freqüência. Isso pode indicar que os cancelamentos acontecem não só por

insatisfação com os serviços, mas também por algum problema financeiro e até

mesmo por inadequação do perfil do cliente, gerando às vezes gastos

desnecessários.

83

6,9%5,4% 6,3%

16,5%14,6% 15,2%

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 17 – Percentual de clientes que receberam contato ativo de cobrança. Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

A grande maioria dos clientes nunca teve seus nomes encaminhados para um órgão

de proteção ao crédito (GRAF. 18); contudo, entre os que já tiveram seus nomes

enviados pelo menos uma vez, o percentual dos clientes que cancelaram seus

contratos é bem maior. (GRAF. 19).

80%

9% 11%

68%

12%19%

NENHUMA 1 VEZ 2 OU MAIS

Clientes ativos Clientes cancelados

Gráfico 18 – Universo de clientes: % de envio de nomes de clientes a um órgão de proteção ao crédito.

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

84

0,31 0,31 0,32

0,51 0,50 0,52

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 19 – Número de vezes que o cliente foi enviado a um órgão de

proteção ao crédito Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

4.4.4 Utilização de Serviços

A maior parte dos clientes utiliza os serviços de Caixa Postal (mais de 80%). Mas o

parâmetro que chama atenção nessa variável é o percentual de clientes que já

fizeram uso desse serviço, mas o desativaram. A diferença é muito grande entre os

dois grupos de clientes (GRAF. 20).

1,8% 2,0%1,5%

5,6% 4,9% 5,2%

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados Gráfico 20 – Cancelamento de serviço de Caixa Postal por cliente. Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

85

4.4.5 Interações com Call Center

É muito pequena a média de ligações no call center para solicitação de informações.

Entretanto, ao analisar o GRAF. 21, pode-se verificar que os clientes que

cancelaram seus contratos registraram um volume maior de interações. Avaliando

exclusivamente essa variável, podem ser levantadas “suspeitas” sobre o motivo do

cancelamento: dificuldade de solucionar suas dúvidas e necessidades na central de

atendimento ou insatisfação com o serviço de atendimento recebido.

0,041 0,038 0,040

0,063 0,059 0,061

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 21 – Média mensal de solicitação de informações gerais por cliente. Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

86

4.4.6 Informações sobre cancelamento O percentual de clientes que solicita informações sobre cancelamento do contrato é

muito mais alto entre os que o cancelam e muito próximo do percentual de quem

efetivamente solicita o cancelamento (GRAF. 22 e 23).

12,1% 12,6% 12,3%

32,2% 32,8% 32,5%

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 22 – Percentual de solicitação de informações sobre cancelamento. Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

10,2% 10,7% 10,4%

31,7% 30,9% 32,2%

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 23 – Percentual de solicitação de cancelamento. Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

Algumas vezes, os clientes que solicitam cancelamento de seus contratos costumam

ser retidos11, em conformidade com uma das três condições representadas nos

GRAF. 24, 25 e 26.

11 Clientes que solicitam o cancelamento, mas não o efetivam.

87

7,7% 8,0% 7,8%

16,2% 16,1% 16,5%

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 24 – Percentual de clientes que solicitaram cancelamento e foram retidos com custo.

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

Mesmo recebendo alguma oferta, bônus ou benefício, alguns clientes, ainda assim,

cancelam seu contrato após determinado período de carência quando já utilizaram o

benefício. A proporção de clientes que foram retidos com custo para a operadora e

posteriormente cancelaram seus contratos é muito superior à daqueles que

permaneceram (Graf. 24).

15,7% 15,1% 16,5%

23,5% 22,4% 22,9%

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 25 – Percentual de clientes que solicitaram cancelamento e foram retidos sem custo.

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

88

A mesma avaliação pode ser feita, através do GRAF. 25, com relação aos clientes

que foram retidos sem custos para a empresa. Geralmente ocorre que, num primeiro

momento, o cliente aceita a argumentação da empresa no sentido de que não

cancele seu contrato, mas em seguida decide por efetivamente cancelá-lo.

6,0% 5,4% 6,3%

15,9% 14,6% 15,2%

Universo Amostra de Análise Amostra de Validação

Clientes ativos Clientes cancelados

Gráfico 26 – Percentual de clientes que solicitaram cancelamento e foram retidos pelo termo de fidelidade.

Fonte: Dados da pesquisa, Minas Gerais, Out. 2004 – Jun. 2005

Outra condição de retenção é quando o cliente solicita o cancelamento, mas, por

estar dentro do prazo de fidelidade do contrato, é informado de que terá que arcar

com custos (multa ou devolução do aparelho), razão pela qual decide pelo não-

cancelamento; entretanto, passado o prazo, o percentual de clientes que retorna o

contato e efetivamente cancela o contrato é muito superior ao dos que decidem

permanecer como clientes da empresa (GRAF. 26).

Considerando apenas essa análise exploratória das principais variáveis relacionadas

com a intenção de cancelamento de contrato por parte dos clientes, é possível

identificar o perfil do cliente fiel típico, cujas principais características são as

seguintes:

89

• tem mais de onze meses de base;

• tem uma razão de utilização de dias de tráfego superior a 90%;

• tem a média de tráfego nos últimos três meses superior à média geral;

• é elevada sua razão de ligações recebidas e originadas;

• é baixa sua freqüência de pagamentos com atraso (menor de três contas);

• nunca recebeu nenhum contato ativo de cobrança;

• nunca teve seu nome encaminhado para um órgão de proteção ao crédito;

• Tende a não desativar os serviços de que é usuário;

• Nunca entrou em contato com o call center para solicitar informações sobre

cancelamento de contratos nem para solicitar sua efetivação.

Apesar de serem esses comportamentos bastante significativos para a identificação

do perfil de fidelidade do cliente de telefonia celular móvel, a construção do modelo e

a proposição do índice de fidelidade, possibilitarão quantificar o nível de fidelidade

desses usuários.

90

5 CONCLUSÕES E COMENTÁRIOS FINAIS

Tendo em vista o objetivo geral deste estudo, qual seja, de construir um índice capaz

de direcionar a implantação de ações que visem à fidelidade da base de clientes de

uma empresa de telefonia celular em Minas Gerais, pode-se concluir que os

resultados apresentados confirmam a possibilidade de se detectar preventivamente

a intenção de cancelamento de contrato por parte de um cliente, com uma

acuracidade de 90%. Este percentual é considerado alto, possibilitando a utilização

dessa informação de forma confiável.

O modelo possibilitou a identificação da probabilidade de cancelamento voluntário

do contrato por clientes de serviços de telefonia celular (índice de fidelidade) que foi

aplicado em toda a base de clientes pós-pagos ativos. Com base na equação

encontrada foi possível gerar a probabilidade P(Y=1), cuja utilização como índice de

fidelidade apresenta relevante consistência. A partir desse índice estatístico, espera-

se alcançar os benefícios descritos no referencial teórico, relacionados às ações de

inteligência de marketing para tomada de decisão estratégica de manutenção de

clientes e de administração do gerenciamento com os clientes - Costumer

Relationship Management (CRM).

Além disso, a definição desse índice possibilitará não só o maior embasamento das

premissas de potencial de mercado e das metas referentes à elaboração do

orçamento destinado à manutenção de clientes, mas também a análise e priorização

do contato ativo para a fidelização dos clientes de maior risco, bem como o

planejamento de marketing, que poderá orientar estratégias de mídia,

desenvolvimento de produtos e planejamento de venda cruzada e ainda a criação de

um programa de relacionamento diferenciado para cada grupo identificado.

91

Quanto ao primeiro objetivo específico estabelecido (identificar as variáveis que

explicam a fidelização no contexto estudado), foram inicialmente analisadas 361

variáveis, das quais apenas dezoito integraram o modelo. O processo de eliminação

de variáveis baseou-se tanto na transformação das 361 variáveis brutas em outras

derivadas, como na realização de testes de hipóteses para avaliar a associação

entre as variáveis selecionadas e a solicitação de cancelamento do contrato de

adesão à operadora pelos clientes (churn voluntário) e ainda em análise de

correlação.

As variáveis que compuseram o modelo foram submetidas a análises exploratórias,

que possibilitaram a identificação das principais características do “cliente fiel típico”,

são elas: Tem mais de onze meses de base; tem uma razão de utilização de dias de

tráfego superior a 90%; tem a média de tráfego nos últimos três meses superior à

média geral; é elevada sua razão de ligações recebidas e originadas; é baixa sua

freqüência de pagamentos com atraso (menor de três contas); nunca recebeu

nenhum contato ativo de cobrança; nunca teve seu nome encaminhado para um

órgão de proteção ao crédito; tende a não desativar os serviços de que é usuário;

nunca entrou em contato com o call center para solicitar informações sobre

cancelamento de contratos nem para solicitar sua efetivação.

Quanto ao segundo objetivo específico (avaliar a consistência do índice construído,

através de dados internos) o modelo foi ajustado e validado mediante a utilização de

duas amostras (análise e validação).

Foram feitas duas validações (amostra de validação e universo), recomendadas por

Churchill (1979), segundo o qual pelo menos dois estudos consecutivos são

92

necessários, para que novas escalas possam prover alguma evidência de validade e

de confiabilidade.

Os resultados obtidos pela amostra de validação foram muito semelhantes aos

oferecidos pela amostra de análise. Além disso, ao se aplicar o modelo da amostra

de análise ao universo dos clientes, os resultados também foram muito próximos. O

percentual de acerto do churn (intenção de cancelamento) foi superior a 90% nas

três aplicações do modelo. Atingiu-se, portanto, os objetivos propostos para esta

pesquisa.

5.1 Limites da pesquisa e sugestões para trabalhos futuros No decorrer dos trabalhos, foram identificados os seguintes pontos de atenção, que

podem limitar sua aplicação:

• O modelo proposto para a construção do índice de fidelidade só é aplicável a

clientes da empresa estudada (entendendo-se por modelo as variáveis e seus

respectivos coeficientes β). Sua aplicação direta a outras operadoras pode

não gerar os mesmos resultados de qualidade de ajuste. Entretanto, ao se

replicar a mesma metodologia, é possível recriar o índice para outras

operadoras.

• Outra limitação constatada é de que este modelo foi desenvolvido para

operadoras de telefonia celular, não tendo como ser aplicado, no mesmo

formato, a outras categorias de prestadores de serviços.

• Por fim, apesar de o índice criado levar em consideração um histórico mínimo

de três meses, não se pode afirmar qual é seu prazo de validade, ou seja, o

modelo é perecível, devendo ser revisto periodicamente.

93

6 REFERÊNCIAS

BASS, Frank M. The theory of stochastic preference and brand switching. Journal of Marketing, February, 1-20, 1974.

BERRY, L. L.; PARASURAMAN A. Serviços de marketing: competindo através da qualidade. São Paulo: Maltese, 1995.

BERRY, M.; LINOFF, G. Data Mining techniques: for marketing, sales, and customer support. John Wiley & Sons, 1997.

BERRY, M.; LINOFF, G. Mastering Data Mining: the art and science of customer relationship management. John Wiley & Sons, 2000.

BONNE, L. E.; KURTZ, D. L. Marketing Contemporâneo, Rio de Janeiro: LTC, 1998.

BRETZKE, M. Marketing de Relacionamento e Competição em Tempo Real. São Paulo: Atlas, 2000.

BURNHAM, T. A.; FRELS, J. K.; MAHAJAN, V. Consumer switching costs: A typology, antecedents, and consequences. Journal of the Academy of Marketing Science, v. 31, n. 2, p. 109-126, 2003.

CARVALHO, D. R. Data Mining através de indução de regras e algoritmos genéticos. Dissertação de Mestrado, Pontifícia Universidade Católica, Minas Gerais – 1999.

CHURCHILL, Jr., G. A. A paradigm for developing better measures of marketingconstructs. Journal of Marketing Research, v.16, p.64-73, fev.1979.

CONOVER, W. J. Practical nonparametrics statistics, 3 Ed. New York: John Wiley & Sons, 1999.

CORE, S. Poder de escolha. Revista Telecom Negócios, CPQD, 12/4/2004.

DICK, A. S., BASU, K. Customer loyalty: toward an integrated conceptual framework. Journal of the Academy of Marketing Science. Vol. 22, 99-113, 1994

ENGEL, J.F. BLACKWELL, R.D. MINIARD, PW. Comportamento do consumidor. Rio de Janeiro: LTC, 2000.

FERREIRA, J. B.; Mineração de Dados na Retenção de Clientes em Telefonia Celular. Dissertação de Mestrado, Rio de Janeiro, Pontifícia Universidade Católica: RJ, 2005.

94

FAYYAD, U. M; PIATETSKY-SHAPIRO, G; SMYTH, P; UTHURUSAMY, R. Advances in knowledge discovery and Data Mining. USA: American Association for Artificial Intelligence. 1996.

GASET, P. J. C.. O CRM não é sofrer: é uma nova filosofia. HSM Management, São Paulo, n. 28, p. 116-121, set./out. 2001

GORDON, I. Marketing de relacionamento: estratégias técnicas e tecnologias para conquistar clientes e mantê-los para sempre. São Paulo: Futura, 2001.

GRÖNROOS, Christian. Marketing: gerenciamento e serviços: a competição por serviços na hora da verdade. Rio de Janeiro: Campus, 1995.

HAIR, JR., J. F. et al. Análise multivariada de dados. 5ª ed. Porto Alegre: Bookman, 2005.

HENZ, MIRIAM M., Programa de relacionamento viva Claro: avaliação geral dos benefícios para a empresa e clientes com base nas atitudes e comportamentos dos clientes. Dissertação de Mestrado, UFRG: Porto Alegre, 2003.

HOGAN, J. E.; LEMON, K. N.; RUST, R. T. Customer Equity Management: Charting New Directions for the Future of Marketing. Journal of Service Research, v. 5, n. 1, pp 4-12, August, 2002.

HOFFMAN, K. E.; BATESON, J. E.G.. Princípios de marketing de serviços: conceitos, estratégias e casos. São Paulo: Pioneira Thomson Learning, 2003.

HOSMER, D.; LEMESHOW, S. Applied logistic regression. New York: John Wiley & Sons, 1989.

JACOBY, J. A model of multi-brand loyalty. Journal of Marketing Research, June, 25-31, 1971.

JACOBY, J., CHESTNUT, R. W. Brand loyalty: measurement and management, Wiley, New York, 1978.

JOHNSON, D. E., Applied multivariate methods for data analysis. New York: Duxbury Press, 1998.

JONES, T. e SASSER Jr., W. E. Why Satisfied Customer Defect. Harvard Business Review, p.88-99, nov-dez.1995.

KON, M. Customer Churn: Stop it before it starts. www.mercermc.com/mmj. consultado em 23/10/2005.

KOTLER, P. Marketing para o Século XXI. São Paulo: Ed. Futura, 2000.

95

KOTLER, P & ARMSTRONG, G. Administração de Marketing. São Paulo: Editora Atlas, 2001.

LOVELOCK, C.; WRIGHT, L. Serviços, marketing e gestão. São Paulo: Saraiva, 2001.

LOWENSTEIN, M. W. Customer Retention: An Integrated Process for Keeping Your Best Customers. Milwaukee: ASP Quality Press, 1995.

MALHOTRA, N. K. Pesquisa de Marketing. Porto Alegre: Bookman, 2001.

MCKENNA, R. Marketing de relacionamento. Rio de Janeiro: Campos, 1999.

MINGOTI, S. A. Análise de dados através de métodos de estatística multivariada: uma abordagem aplicada. Belo Horizonte: Editora: UFMG, 2005.

MINUSSI, J. A., DAMACENA, C., NESS Jr, W. L. Um modelo de previsão de solvência utilizando regressão logística. RAC, v. 6, n. 3, Set./Dez. 2002: 109-128

MOURA, A. C., Validação do modelo se satisfação ACSI modificado: um exame empírico com equações estruturais. Dissertação de Mestrado, Belo Horizonte: UFMG, 2004.

NAVEGA, S. Princípios essenciais do Data Mining. Anais do Infoimagem, São Paulo: Cenadem, Novembro, 2002.

NEWELL, F. fidelidade.com – CRM: o gerenciamento das relações com o consumidor na era do marketing pela internet. São Paulo: Makron, 2000.

OLIVER, R. L. Satisfaction: a behavioral perspective on the consumer. Boston: Irwin/McGraw-Hill, 1996.

OLIVER, R. L. Whence consumer loyalty? Journal of Marketing, v. 63, Special Issue, p. 33-44, 1999.

PEPPERS, D.; ROGERS, M. CRM Series Marketing 1 to 1: Um guia executivo para entender e implantar estratégias de customer relantionship management. Peppers and Rogers Group do Brasil, São Paulo:2000.

PORTER, M. E. Competição: Estratégias Competitivas Essenciais. Rio de Janeiro: Campus, 1999.

RAPHEL, M. A escala da lealdade. Revista HSM Management., n. 13, p. 72-76, mar./abr., 1999.

96

REICHHELD, F. A estratégia da lealdade: a força invisível que sustenta crescimento, lucros e valor. Rio de Janeiro: Campus, 1996.

REICHHELD, F. O valor da fidelidade. Revista HSM Management. n.21, p.6 -10. Jul/Ago 2000.

ROGERS, M. SKINNER, S. O valor dos clientes é a verdadeira medida do desempenho das empresas. <http://www.agecefrj.com.br/paginas/materias/atualidades/atualidade4.html#valorclientes>. acesso em: 23/10/2005.

RUST, R. T.; ZEITHAML, V; LEMON, K. N. O Valor do Cliente. Porto Alegre: Bookman, 2001.

SHARMA, S., Applied multivariate techniques. New York: John Wiley & Sons, 1996.

SCHEAFFER, R. L., MENDENHALL, W., OTT., L., Elementary survey sampling. 5th ed. Duxbury Press, 1996.

SILVA, L. A.. Satisfação de clientes com processo de compra: Um Estudo na Empresa de Telefonia Móvel Telet S/A. Dissertação de Mestrado, UFRG: Porto Alegre, 2003.

SIRDESHMUKH, D.; SINGH, J.; SABOL, B. Consumer trust, value and loyalty inRelational Exchanges. Journal of Marketing, Vol. 66, January 2002, 15-37.

SOLOMON, M. Consumer Behavior. 2ª ed., Allyn e Baron (MS): McGraw-Hill, 1994.

VAVRA, T. Marketing de relacionamento: como manter a fidelidade de clientes através do marketing de relacionamento. São Paulo: Atlas, 1993.

VERHOEF, Peter C. Understanding the effect of customer relationship management efforts on customer retention and customer share development. Journal of Marketing, v. 67, p. 30-45, October, 2003.

ZEITHAML, V., BITNER, M. Marketing de serviços: a empresa com foco no cliente. Porto Alegre: Bookman, 2003.

ZEITHAML, V. A; PARASURAMAN, A; BERRY, L. The behavioral consequences of service quality. Journal of Marketing, Vol. 60, April 1996, pp. 31-46.

WHITE, S. S. & SCHNEIDER, B. Climbing the commitment ladder: the role of expectations disconfirmation on customers’ behavioral intentions. Journal of Service Research 2 (3): 240-253, 2000.

AGENCIA NACIONAL DE TELECOMUNICAÇÕES – ANATEL. www.anatel.gov.br, acesso em: 13/10/2005, 22/03/2005.