PREVENDO A TAXA DE CONVERSÃO DE LEADS NO SETOR DA EDUCAÇÃO COM TÉCNICAS DE APRENDIZAGEM DE MÁQUINA
DOI:
https://doi.org/10.47820/recima21.v2i9.712Palavras-chave:
Aprendizagem de maquinaResumo
A crise provocada pela COVID-19 acelerou processos de mudanças na economia global, levando a alterações nas empresas em estruturas, modelo de negócios e rotinas. Particularmente, Pequenas e Medias Empresas (PMEs) têm enfrentado desafios de encontrar caminhos para a jornada de transformação digital e adaptação na era da indústria 4.0, o que as leva a precisar de apoio para integrar suas transformações. O objetivo do trabalho é prever a probabilidade de conversão de leads usando Aprendizagem de Máquina (ML) com o propósito de melhorar o processo das oportunidades de fechamento de matrículas nas PMEs do setor da educação. O trabalho tem fundamentação no Modelo de Transformação Digital para as PMEs (MTD_PMEs), abordagem específica na tecnologia ML e Knowledge Discovery in Database (KDD). A metodologia envolve uma sequência de três etapas do processo de KDD_AZ. Os dados foram coletados de um polo de uma universidade do sul do Brasil. Resultados indicam que os 8 atributos utilizados são significativos para prever a conversão de leads. A técnica de ML, Regressão Logística chegou a uma precisão bruta de 100%, contribuindo assim para o aumento da taxa de conversão, ganho de tempo das equipes e filtragem de leads “improváveis”, e ainda ajuda o marketing a melhorar sua mira para trazer leads qualificados/quentes
Downloads
Referências
Almeida, T. D., Cavalcante, C. G. S., & Fettermann, D. C. (2017, setembro). Indústria 4.0: Tecnologias e nível de maturidade de suas aplicações. 11º Congresso Brasileiro de Inovação e Gestão de Desenvolvimento do Produto, São Paulo, Brasil.
Altinkaya, M,, & Zontul, M. (2013). Urban bus arrival time prediction: a review of computational models. International Journal of Recent Technology and Engineering, 2(4), 164-169.
Batista, M. R. S. (2019). A utilização de algoritmos de máquinas em problemas de classificação. 112p. Dissertação (Mestrado Profissional em Matemática, Estatística e Computação Aplicada à Indústria) - Universidade de São Paulo, Instituto de Ciências Matemáticas de Computação, São Paulo. Recuperado em 30 abril, 2021, de <http://www.teses.usp.br/teses/disponiveis/55/55137/tde-25032019-141126/en.php>.
Biagioni, J., Gerlich, T., Merrifield, T., & Eriksson, J. (2011). Easytracker: automatic transit tracking, mapping, and arrival time prediction using smartphones. Proceedings of the 9th ACM Conference on Embedded Networked Sensor Systems (pp. 68-81). ACM
Breiman, L. (2001, October). Random Forests. (R. E. Schapire, Ed.) Machine Learning, 45, 5-32. doi:10.1023/A:1010933404324 [GS Search]
Bruce, P., & Bruce, A. (2017). Practical Statistics for Data Scientists. O’Reilly Media.
Calipinar, H., & Ulas, D. (2013). Model suggestion for SMEs economic and environmental sustainable development. In: Nwankwo, S.; Ndubisi, N. Oly (Ed.). Enterprise Development in SMEs and Entrepreneurial Firms (pp. 270-290). Business Science Reference, IGI Global.
Costa, O. S., & Gouveia, L. B. (2021). Industria 4.0: Uma Proposta de Modelo de Transformação Digital para as Pequenas e Médias Empresas. In: Martins, E. R. Engenharia de Produção Planejamento e Controle da Produção em Foco. (Vol. 1, cap. 9, pp. 117-133). Guarujá, SP: Cientifica Digital. doi: 10.37885/201102037.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17[3], 1-6.
Ghotra, B, McIntosh, S., & Hassan, A. E. (2015, May). Revisiting the impact of classification techniques on the performance of defect prediction models. Proceedings of the 37th International Conference On Software Engineering (pp. 789-800), Florence, Italy: IEEE Press.
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. (3nd ed). Morgan Kaufmann Publishers, Burlington.
Kassambara, A. (2017). Machine Learning Essential: Practical guide in R. STHDA.
Heller, K. A., Williamson, S., & Ghahramani, Z. (2008). Statistical models for partial membership. Proceedings of the 25th International Conference on Machine Learning (pp. 392-399).
Kormáksson, M., Barbosa, L., Viera, M. R., & Zadrozny, B. Bus travel time predictions using additive models. (2014). Proceedings of the 14th International Conference On Data Mining (pp. 875-880), Shenzhen, China, IEEE.
Machado, V. P. (2011). Inteligência Artificial. Teresina: EDUFPI.
Menezes, V. V., Farrar, J. T., & Bower, A. S. (2018). Westward mountain-gap wind jets of the northern Red Sea as seen by QuikSCAT. Remote Sensing of Environment (pp. 677-699), 209. https://doi.org/10.1016/j.rse.2018.02.075
Mirković, V., Lukić, J., & Martin, V. (2019). Key characteristic of organizational structure that supports digital transformation. Strategic Management and Decision Support Systems in Strategic Management. Proceedings of the 24th International Scientific Symposium (pp. 255-261). Subotica, Republic of Serbia.
Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
Monard, M. C., & Baranauskas, J. A. (2003). Conceitos de aprendizado de máquina. In: Rezende, S. O. Sistemas inteligentes: fundamentos e aplicações (pp. 89-94). Barueri, SP: Manole.
Neves, D. V., Dias, F. C. A., & Cordeiro, D. (2018) Uso de aprendizado supervisionado para análise de confiabilidade de dados de crowdsourcing sobre posicionamento de ônibus. Escola de Artes, Ciências e Humanidades Universidade de São Paulo.
NVIDIA. (2018, August 2). Blog: Supervised Vs. Unsupervised Learning. The Official NVIDIA Blog. Recovered in 27 may, 2021, from <https://blogs.nvidia.com/blog/2018/08/02/supervised-unsupervised-learning/>.
Oh, J., Hessel, M., Czarnecki, W. M., Xu, Z., Van Hasselt, H., Singh, S., & Silver, D. (2021). Discovering reinforcement learning algorithms.
Tan, M., & Shao, P. (2015). Prediction of student dropout in e-learning program through the use of machine learning method. International Journal of Emerging Technologies in Learning (IJET), 10[1], 11-17.
Ulas, D. (2019). Digital Transformation Process and SMEs. Procedia Computer Science, 158, 662-671. doi: 10.1016/j.procs.2019.09.101.
Wang, Y., Wang, F., Huang, J., Wang, X., & Liu, Z. (2009). Validation of artificial neural network techniques in the estimation of nitrogen concentration in rape using canopy hyperspectral reflectance data. Int. J. Remote Sens. 30, 4493-4505. doi: 10.1080/01431160802577998
Willing, P., & Johnson, S. (2004). Factors that influence students’ decision to dropout of online courses. Journal of Asynchronous Learning Network, Nashville, 8 [4], 105-118.
Downloads
Publicado
Como Citar
Edição
Secção
Categorias
Licença
Direitos de Autor (c) 2021 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
