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

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: MELO, Débora Pereira de
Orientador(a): SILVA, Lucimário Gois de Oliveira
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia de Producao / CAA
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Mineração de dados
RFM
K-Means
TOPSIS
Clusterização Multicritério Ordinal
Link de acesso: https://repositorio.ufpe.br/handle/123456789/66666
Resumo: 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.
id UFPE_9fdd2bdf19a1ec502ea8ef5cbd62d75a
oai_identifier_str oai:repositorio.ufpe.br:123456789/66666
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling MELO, Débora Pereira dehttp://lattes.cnpq.br/3661773945561542SILVA, Lucimário Gois de Oliveira2025-10-22T15:03:12Z2025-10-22T15:03:12Z2025-08-21MELO, Débora Pereira de. TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes. 2025. Dissertação (Mestrado em Engenharia de Produção) - Universidade Federal de Pernambuco, Caruaru, 2025.https://repositorio.ufpe.br/handle/123456789/66666A 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.Customer segmentation is a widely recognized area in the business field and is extensively applied in the D2C (Direct-to-Consumer) segment. It represents an important stage in the development of marketing strategies, as it helps group customers with similar purchasing behaviors, thereby improving campaigns, guiding advertising investments, strengthening e-commerce strategies, and enhancing the overall customer experience. Within this context, the K-Means algorithm stands out among clustering methods for its simplicity, efficiency, and applicability across various scenarios. However, although this method is widely adopted in the literature, it does not guarantee that the formed clusters accurately identify the best customers, thus requiring a posterior analysis. For this reason, this study proposes the use of ordinal multicriteria clustering for customer segmentation based on the RFM (Recency, Frequency, and Monetary value) approach. The proposed model combines the TOPSIS multicriteria method with a one-dimensional clustering technique, ensuring that the resulting classes preserve the original ranking established by TOPSIS. Using realistic data, the developed model was compared with the traditional K-Means method, demonstrating superior performance in distinguishing the most valuable customers across the segmentation dimensions. The results also show that the new methodology can be applied to assess the feasibility of using K-Means for customer segmentation.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia de Producao / CAAUFPEBrasilhttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessMineração de dadosRFMK-MeansTOPSISClusterização Multicritério OrdinalTOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALDISSERTAÇÃO Debora Pereira de Melo.pdfDISSERTAÇÃO Debora Pereira de Melo.pdfapplication/pdf1499154https://repositorio.ufpe.br/bitstream/123456789/66666/1/DISSERTA%c3%87%c3%83O%20Debora%20Pereira%20de%20Melo.pdf827d336067e821f19291e5d119a189f2MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/66666/2/license.txt5e89a1613ddc8510c6576f4b23a78973MD52TEXTDISSERTAÇÃO Debora Pereira de Melo.pdf.txtDISSERTAÇÃO Debora Pereira de Melo.pdf.txtExtracted texttext/plain215837https://repositorio.ufpe.br/bitstream/123456789/66666/3/DISSERTA%c3%87%c3%83O%20Debora%20Pereira%20de%20Melo.pdf.txteca77d189f89f5cef1eeaf8d6c830638MD53THUMBNAILDISSERTAÇÃO Debora Pereira de Melo.pdf.jpgDISSERTAÇÃO Debora Pereira de Melo.pdf.jpgGenerated Thumbnailimage/jpeg1248https://repositorio.ufpe.br/bitstream/123456789/66666/4/DISSERTA%c3%87%c3%83O%20Debora%20Pereira%20de%20Melo.pdf.jpgf088aeb8eeff99d4e59b592c0fc7c606MD54123456789/666662025-10-26 17:07:01.129oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212025-10-26T20:07:01Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.pt_BR.fl_str_mv TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes
title TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes
spellingShingle TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes
MELO, Débora Pereira de
Mineração de dados
RFM
K-Means
TOPSIS
Clusterização Multicritério Ordinal
title_short TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes
title_full TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes
title_fullStr TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes
title_full_unstemmed TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes
title_sort TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes
author MELO, Débora Pereira de
author_facet MELO, Débora Pereira de
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/3661773945561542
dc.contributor.author.fl_str_mv MELO, Débora Pereira de
dc.contributor.advisor1.fl_str_mv SILVA, Lucimário Gois de Oliveira
contributor_str_mv SILVA, Lucimário Gois de Oliveira
dc.subject.por.fl_str_mv Mineração de dados
RFM
K-Means
TOPSIS
Clusterização Multicritério Ordinal
topic Mineração de dados
RFM
K-Means
TOPSIS
Clusterização Multicritério Ordinal
description 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.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-10-22T15:03:12Z
dc.date.available.fl_str_mv 2025-10-22T15:03:12Z
dc.date.issued.fl_str_mv 2025-08-21
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv MELO, Débora Pereira de. TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes. 2025. Dissertação (Mestrado em Engenharia de Produção) - Universidade Federal de Pernambuco, Caruaru, 2025.
dc.identifier.uri.fl_str_mv https://repositorio.ufpe.br/handle/123456789/66666
identifier_str_mv MELO, Débora Pereira de. TOPSIS-CKmeans: uma nova abordagem para classificação de clusters em dados de segmentação de clientes. 2025. Dissertação (Mestrado em Engenharia de Produção) - Universidade Federal de Pernambuco, Caruaru, 2025.
url https://repositorio.ufpe.br/handle/123456789/66666
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.publisher.program.fl_str_mv Programa de Pos Graduacao em Engenharia de Producao / CAA
dc.publisher.initials.fl_str_mv UFPE
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
bitstream.url.fl_str_mv https://repositorio.ufpe.br/bitstream/123456789/66666/1/DISSERTA%c3%87%c3%83O%20Debora%20Pereira%20de%20Melo.pdf
https://repositorio.ufpe.br/bitstream/123456789/66666/2/license.txt
https://repositorio.ufpe.br/bitstream/123456789/66666/3/DISSERTA%c3%87%c3%83O%20Debora%20Pereira%20de%20Melo.pdf.txt
https://repositorio.ufpe.br/bitstream/123456789/66666/4/DISSERTA%c3%87%c3%83O%20Debora%20Pereira%20de%20Melo.pdf.jpg
bitstream.checksum.fl_str_mv 827d336067e821f19291e5d119a189f2
5e89a1613ddc8510c6576f4b23a78973
eca77d189f89f5cef1eeaf8d6c830638
f088aeb8eeff99d4e59b592c0fc7c606
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1862741999150432256

Registros relacionados