Clusterização e classificação de clientes de uma rede de fast-food no Brasil

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Kaczorowski, Bianca
Orientador(a): Kleina, Mariana, 1988-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Restaurantes de refeições ligeiras
Cluster (Sistema de computador)
Marketing
Engenharia de Produção
Link de acesso: https://hdl.handle.net/1884/95794
Resumo: Orientadora: Profa. Dra. Mariana Kleina
id UFPR_dc3726a20292aad712306d060eb2ec1e
oai_identifier_str oai:acervodigital.ufpr.br:1884/95794
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de ProduçãoKleina, Mariana, 1988-Kaczorowski, Bianca2025-04-04T19:24:01Z2025-04-04T19:24:01Z2023https://hdl.handle.net/1884/95794Orientadora: Profa. Dra. Mariana KleinaDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia de Produção. Defesa : Curitiba, 31/03/2023Inclui referências: p. 113-120Área de concentração: Engenharia de ProduçãoResumo: Com o avanço da transformação digital nas empresas, surge o conceito de customer centric, no qual o cliente é colocado no centro das decisões. Nesse contexto, as empresas buscam conhecer seus clientes de forma individualizada para atender às suas necessidades e aprimorar a experiência de compra por meio da personalização. Entender o perfil do consumidor é uma vantagem competitiva, especialmente para empresas em setores em que os canais digitais não são tão representativos, como no caso dos Quick Service Restaurants, também conhecidos como fast-food. Assim, este estudo tem como objetivo a clusterização e classificação de clientes de uma rede de fast-food no Brasil, a fim de permitir a personalização das comunicações de marketing. Para isso, foram utilizados três algoritmos de clusterização (K-Means, Hierárquico de Ward e Modelo de Misturas Gaussianas), com o suporte do método do cotovelo para a definição do número de clusters, e dois algoritmos de classificação (Árvore de Decisão e Floresta Aleatória), tendo em vista o grande volume de dados em análise. O estudo usou seis variáveis, sendo três relacionadas ao modelo de Recência, Frequência e Valor e outras três relacionadas ao consumo dos produtos da empresa. De acordo com os resultados dos diferentes métodos aplicados para avaliação do desempenho dos agrupamentos formados, o KMeans foi o algoritmo de clusterização com melhor desempenho, além de ser o mais rápido, e o modelo de Floresta Aleatória foi selecionado para classificar os demais clientes, com uma acurácia de quase 98%.Abstract: As companies undergo digital transformation, the concept of customer centricity emerges, placing the customer at the center of business decisions. In order to better understand and cater to individual customer needs, companies are seeking to personalize their marketing communications and improve the overall purchasing experience. In this context, this study aims to cluster and classify customers of a fast-food chain in Brazil. Three clustering algorithms (K-Means, Ward's Hierarchical, and Gaussian mixtures model) were employed along with the elbow method to determine the appropriate number of clusters, as well as two classification algorithms (Decision tree and Random forest), given the large volume of data being analyzed. The study utilized six variables, three of which were based on the Recency, Frequency, and Value model (RFM), and three were related to the customers' consumption of the company's products. According to the results of the different methods applied for evaluating the performance of the formed clusters, K-Means was the best performing and fastest clustering algorithm. Additionally, the Random forest model was chosen for customer classification, achieving an accuracy of almost 98%.1 recurso online : PDF.application/pdfRestaurantes de refeições ligeirasCluster (Sistema de computador)MarketingEngenharia de ProduçãoClusterização e classificação de clientes de uma rede de fast-food no Brasilinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - BIANCA KACZOROWSKI.pdfapplication/pdf3493642https://acervodigital.ufpr.br/bitstream/1884/95794/1/R%20-%20D%20-%20BIANCA%20KACZOROWSKI.pdf0b0cd455bbfc6511305351379b52f84aMD51open access1884/957942025-04-04 16:24:02.025open accessoai:acervodigital.ufpr.br:1884/95794Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082025-04-04T19:24:02Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Clusterização e classificação de clientes de uma rede de fast-food no Brasil
title Clusterização e classificação de clientes de uma rede de fast-food no Brasil
spellingShingle Clusterização e classificação de clientes de uma rede de fast-food no Brasil
Kaczorowski, Bianca
Restaurantes de refeições ligeiras
Cluster (Sistema de computador)
Marketing
Engenharia de Produção
title_short Clusterização e classificação de clientes de uma rede de fast-food no Brasil
title_full Clusterização e classificação de clientes de uma rede de fast-food no Brasil
title_fullStr Clusterização e classificação de clientes de uma rede de fast-food no Brasil
title_full_unstemmed Clusterização e classificação de clientes de uma rede de fast-food no Brasil
title_sort Clusterização e classificação de clientes de uma rede de fast-food no Brasil
author Kaczorowski, Bianca
author_facet Kaczorowski, Bianca
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Produção
dc.contributor.advisor1.fl_str_mv Kleina, Mariana, 1988-
dc.contributor.author.fl_str_mv Kaczorowski, Bianca
contributor_str_mv Kleina, Mariana, 1988-
dc.subject.por.fl_str_mv Restaurantes de refeições ligeiras
Cluster (Sistema de computador)
Marketing
Engenharia de Produção
topic Restaurantes de refeições ligeiras
Cluster (Sistema de computador)
Marketing
Engenharia de Produção
description Orientadora: Profa. Dra. Mariana Kleina
publishDate 2023
dc.date.issued.fl_str_mv 2023
dc.date.accessioned.fl_str_mv 2025-04-04T19:24:01Z
dc.date.available.fl_str_mv 2025-04-04T19:24:01Z
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.uri.fl_str_mv https://hdl.handle.net/1884/95794
url https://hdl.handle.net/1884/95794
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/95794/1/R%20-%20D%20-%20BIANCA%20KACZOROWSKI.pdf
bitstream.checksum.fl_str_mv 0b0cd455bbfc6511305351379b52f84a
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526049637728256

Registros relacionados