Reumo
A pesquisa de satisfação é uma ferramenta amplamente utilizada pelas empresas como um importante indicador de desempenho a partir do ponto de vista do consumidor. Essas medidas apresentam-se através das reações dos clientes de três formas: satisfação, insatisfação e neutralidade. Conhecer quais os atributos que impactam a recomendação de neutralidade do nível de satisfação do cliente sobre determinado produto ou serviço fornecem informações relevantes para que essas empresas possam promovê-los a promotores de suas marcas, contribuindo para aumentar suas vantagens competitivas. Este artigo tem o objetivo de avaliar a possibilidade de predição do grau de satisfação do cliente de nível de serviço de uma empresa de transporte vertical que utiliza a metodologia do NPS como ferramenta de pesquisa, a partir de uma base de dados de avaliação da satisfação de clientes. Neste estudo são apresentados alguns resultados obtidos através de experimentos realizados com modelos quantitativos de Machine Learning (aprendizado de máquina) utilizando algoritmos como árvore de decisão, KNN, Floresta Aleatória e da regressão logística multinominal, para a análise dos indicadores que exercem uma maior influência na neutralidade do consumidor.
Abstract
The satisfaction survey is a tool widely used by companies as an important performance indicator from the consumer's point of view. These measures are presented through customer reactions in three ways: satisfaction, detrator, and passive. Knowing which attributes impact the recommendation of passivety of the level of customer satisfaction about a particular product or service provides relevant information so that these companies can promote them to promoters of their brands, contributing to increase their competitive advantages. This article aims to assess the possibility of predicting customer satisfaction through indicators of the level of logistical service of a company that uses the NPS methodology as a research tool from a database of customer satisfaction assessments. This study presents results from experiments carried out with quantitative Machine Learning models, using algorithms such Decision TreeClassifier, KNN, Random Forest and Multinomial Logistic Regression, for the analysis of the indicators that exert a greater influence on consumer neutrality.