Contexto
O conjunto de dados utilizado para esta análise foi retirado do UCI Machine Learning Repository. Ele contém informações detalhadas sobre campanhas de marketing direto de um banco português. Estas campanhas foram conduzidas principalmente através de chamadas telefônicas, onde o objetivo era avaliar se um cliente assinaria um depósito a prazo. As variáveis do conjunto de dados incluem características dos clientes, informações econômicas, e detalhes sobre contatos anteriores de campanhas.
Objetivo
O objetivo deste relatório é analisar a eficácia das campanhas de marketing direto, identificar os perfis de clientes que mais respondem positivamente, e entender como variáveis econômicas influenciam os resultados das campanhas. Com essas informações, buscaremos fornecer recomendações baseadas em dados para melhorar futuras campanhas de marketing.
Principais Resultados e Insights
-
Taxa de Conversão Geral:
Aproximadamente 11.27% dos clientes contatados assinaram um depósito a prazo, o que é um indicador da eficácia geral da campanha.
Obs: A conversão de ~11% depende do contexto da campanha e do setor. Para campanhas de marketing direto, como chamadas telefônicas, especificamente em serviços financeiros, uma taxa de conversão entre 2% e 10% pode ser vista como positiva, e acima da média. Entretanto, para avaliar se essa taxa é realmente boa, é importante considerar alguns aspectos que não foram incluídos nesta análise:
- Calcular o ROI (Retorno sobre Investimento)
- Benchmarking
- Qualidade dos Leads
- Análise de Impacto na receita e no crescimento do negócio
- Total de Contatos Realizados: Foram realizados 106 mil contatos durante a campanha, mostrando o esforço total da equipe de marketing.
- Duração Média das Chamadas: O tempo médio gasto em cada chamada foi de pouco mais de 4 minutos (258.29 segundos), sugerindo um investimento considerável de tempo por cliente.
- Taxa de Conversão por Ocupação: Estudantes e aposentados têm taxas de conversão significativamente mais altas. Direcionar campanhas a esses grupos pode ser uma estratégia eficaz.
- Taxa de Conversão por Nível de Educação: Clientes com nível de educação desconhecido e graduados têm taxas de conversão relativamente altas. É interessante notar a alta taxa de conversão dos clientes analfabetos, o que pode indicar uma oportunidade de segmentação específica.
- Taxa de Conversão ao Longo do Tempo: A taxa de conversão foi mais alta em março e dezembro. Planejar campanhas durante esses meses pode resultar em maior sucesso.
- Taxa de Conversão por Método de Contato: Os contatos realizados via celular têm uma taxa de conversão significativamente maior do que os realizados por telefone fixo. Focar em contatos via celular pode aumentar a taxa de conversão geral.
- Distribuição da Frequência de Contatos Realizados: A maioria dos clientes foi contatada uma ou duas vezes, sugerindo que a frequência de contato é uma variável importante a ser otimizada para melhorar a taxa de conversão.
- Resultado da Campanha por Resultado Anterior: Clientes que tiveram um resultado de campanha anterior bem-sucedido são significativamente mais propensos a se converter na campanha atual. Isso destaca a importância de considerar o histórico de campanhas ao segmentar clientes.
Mais Informações sobre o Dashboard:
Metodologia
Para alcançar os objetivos, foi utilizado o Power BI para criar um dashboard interativo que facilita a visualização e análise dos dados. A metodologia inclui:
- Importação e limpeza do conjunto de dados.
- Criação de algumas métricas, como a taxa de conversão.
- Organização das visualizações em páginas distintas para segmentação de clientes e análise de desempenho das campanhas.
Ferramentas Utilizadas:
Para a construção do dashboard, foram utilizadas as seguintes ferramentas:
- Python e bibliotecas como Pandas e Matplotlib para a manipulação dos dados.
- Power BI para a criação do dashboard interativo.
- Jupyter Notebooks para a análise exploratória dos dados.