Download - 200606 - Dissertação Fidelidade
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.