Problema
Uma campanha ampla pode consumir orçamento com clientes de baixa probabilidade de resposta ou retorno insuficiente para cobrir o custo da abordagem.
ESTUDO APLICADO · ANALYTICS · MACHINE LEARNING
Marketing preditivo: do score à decisão orientada a retorno.
Um estudo de portfólio para transformar segmentação e modelos de propensão em uma decisão de priorização com contexto econômico.
MAPA DO ESTUDO
Segmentação → propensão → valor esperado → priorização.
Decisão
Tratar o problema como decisão econômica: combinar probabilidade de compra com valor esperado, em vez de ordenar clientes apenas por score.
Execução
Preparação dos dados, segmentação, modelos de classificação, comparação de desempenho e camada de visualização para orientar prioridade.
Status
Estudo aplicado de portfólio. Não é um modelo implantado em produção e não representa trabalho contratado pela iFood.
CENÁRIO-BASE · EXERCÍCIO
Antes de otimizar, o problema econômico precisa ficar visível.
Valores do dataset/case de estudo independente. Não representam resultado comercial da iFood.
Segmentação→Probabilidade→Valor esperado→Prioridade
CENÁRIO-BASE DO EXERCÍCIO
O ponto de partida mostrava por que conversão sozinha não basta.
No cenário-base analisado no exercício, a campanha apresentava custo de 6.720 MU, receita de 3.674 MU, perda de 3.046 MU e taxa de sucesso de 15%. Esses números pertencem ao exercício/dataset utilizado e servem apenas como referência para a lógica de otimização.
Probabilidade
Estimar a chance de resposta ajuda a reduzir dispersão, mas ainda não informa se o retorno compensa o custo.
Valor esperado
Combinar probabilidade e retorno potencial aproxima o modelo da decisão de negócio que a campanha precisa tomar.
Segmentação
Clusters ajudam a entender perfis e comportamento; o modelo supervisionado ajuda a priorizar quem abordar primeiro.
STACK DO ESTUDO
Python para modelar; Power BI para explicar a decisão.
Modelagem
Pandas, NumPy e scikit-learn foram usados para preparação, padronização, K-Means, regressão logística, Random Forest e avaliação dos modelos.
Camada de decisão
O dashboard organiza cluster, probabilidade de compra, comportamento digital e valor esperado para traduzir saída de modelo em uma fila de prioridade compreensível.
APRENDIZADO
Modelo bom não é o que prevê melhor em abstrato. É o que melhora uma decisão real.
A pergunta principal deixa de ser “quem tem maior score?” e passa a ser “qual grupo deve receber o próximo real de investimento, considerando chance, retorno e custo?”.
TRANSPARÊNCIA
O que este case é — e o que não é.
É um estudo aplicado
Serve para demonstrar raciocínio analítico, modelagem, priorização e comunicação de resultado.
Não é projeto contratado pela iFood
O uso do nome está ligado ao dataset/case de estudo. Não existe relação comercial ou afirmação de acesso a dados internos da empresa.
Não é promessa de uplift
Sem teste em produção, não há atribuição de incremento de receita, conversão ou retorno comercial.
ANALYTICS
Conversar sobre Analytics ↗Quer transformar dados em uma decisão de priorização?
O ponto de partida é definir a decisão, o custo do erro e como o resultado será usado — antes de escolher o algoritmo.