TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes

Abstract

A segmentação de clientes é uma área muito difundida no ramo empresarial, sendo muito utilizada no segmento D2C, (Direto para o Consumidor). É uma etapa importante para formação de estratégias de marketing, pois ajuda a segmentar clientes que tenham comportamento de compra semelhantes entre si, o que pode melhorar campanhas, direcionar o investimento em anúncios, fortalecer estratégias de empresas de E-commerces e elevar a experiência da clientela. Dentro dessa abordagem, o K-Means se destaca entre os métodos de clusterização por sua simplicidade, eficiência e implementação em várias situações. Contudo, apesar do método ser bastante utilizado na literatura, não garante que os clusters formados possam identificar os melhores clientes, sendo necessário uma análise a posteriori. Por isso, esse trabalho propõe o uso da clusterização multicritério ordinal para segmentação de clientes utilizando a abordagem RFM (Recência, Frequência e Valor Monetário). O modelo propõe uma combinação do método multicritério TOPSIS agregado com um método de agrupamento unidimensional. Essa abordagem garante que as classes formadas mantenham a ordenação original do método TOPSIS. Utilizando dados realísticos, o modelo desenvolvido foi comparado com o método tradicional K-Means, exibindo uma performance superior na separação dos melhores consumidores em relação às dimensões de segmentação. Através dos resultados, também é possível utilizar a nova metodologia para verificar a viabilidade do K-means para segmentação de clientes.