Título: Qualificação automática de leads com base na mineração de opinião em projetos de CRM: um estudo experimental utilizando mídias sociais.
Comissão Examinadora - Titulares
Profa. Dra. Regina Lucia de Oliveira Moraes - (Presidente) - FT/Unicamp
Prof. Dr. Leonardo Tomazeli Duarte - FCA/Unicamp
Prof. Dr. Gustavo Voltani Von Atzingen - IFSP
Suplente
Profa. Dra. Ana Estela Antunes da Silva - FT/Unicamp
Profa. Dra. Esther Luna Colombini - IC/Unicamp
Local: PA 03 (Anfiteatros da FT) | https://stream.meet.google.com/stream/86ea88f2-82a0-4ee4-87ef-1cd55c1056e3
Resumo: A qualificação de leads é um processo importante para aumentar a produtividade do time de
vendas e garantir melhores resultados para as empresas. O objetivo de executar um processo de
qualificação de leads é identificar clientes em potencial, ou seja, que tenham as características
ideais para estabelecer um relacionamento rentável e de longo prazo com determinada empresa
ou organização. Ter um processo de qualificação de leads bem definido é um dos principais
fatores de sucesso em projetos de gerenciamento de relacionamento com o cliente (Customer
Relationship Management - CRM) e, para alguns casos, pode ser decisivo para a continuidade
do negócio.
Esta pesquisa investigou como o processo de mineração de dados a partir dos dados
disponíveis nas redes sociais pode contribuir para um melhor processo de captação e
qualificação de leads. Estas redes acumulam uma quantidade expressiva de dados, como
comportamento de navegação, opiniões diretas, interesses e dados de contato. Esses dados
podem ser uma fonte de importante vantagem competitiva se utilizados para separar os
contatos que têm real interesse nos produtos ou serviços ofertados daqueles que ainda não
têm intenção de compra. Para isso, foram utilizadas técnicas de mineração de dados e
aprendizado de máquina, como, por exemplo, a análise preditiva (regressão logística) e a
análise de sentimentos ou mineração de opinião. Foram utilizados os dados comportamentais
históricos dos usuários, assim como o resultado da análise de sentimento destes leads para
identificar a satisfação ou uma possível insatisfação de um usuário com um determinado
concorrente ou marca específica, por exemplo.
Como resultado foi possível identificar como o aprendizado de máquina e a mineração de
dados das redes sociais podem ser incluídos nas etapas do processo de qualificação de leads
para que uma empresa gere mais leads relevantes para o seu negócio. Experimentos efetuados
sobre uma base de dados pública mostraram que o modelo proposto, com base da regressão
logística, apresentou tanto a acurácia quanto a precisão superiores a 85%. Comparando esses
resultados com os obtidos pelo ChatGPT observou-se que os resultados são bastante próximos,
sendo que a regressão logística supera o ChatGPT no quesito da sensibilidade (ou recall), sendo
ambos bons preditivos para a identificação de leads.