100%
Voltar ao catálogo de notas

Nota técnica

Nota produto

Customer Behavior Engine: padrões de cliente no delivery

Modelagem de comportamento para churn, frequência, ticket médio e preferência de horário — conectando engenharia de dados a growth e CRM.

6 min de leitura media planejamento
churn rfm delivery crm growth segmentacao
Stack: Python SQL scikit-learn ou SQL-only Parquet Streamlit

Visão geral

Camada cliente-centric sobre o mesmo backbone de pedidos: features para recência, frequência, valor, propensão a churn, horários preferidos e sensibilidade a promoção. Alimenta CRM, campanhas e experimentos de growth.

Problema

  • Operação olha pedido; marketing precisa olhar pessoa (ou household).
  • “Cliente sumiu” é descoberto tarde; não há early warning baseado em padrão.
  • Segmentações manuais em planilha não escalam.

Outputs

  • Score de churn ou regra “sem pedido há X dias acima da média pessoal”.
  • Bucket RFM (Recência, Frequência, Valor monetário).
  • Ticket médio e tendência (7 vs 30 vs 90 dias).
  • Horário preferido e dia da semana de maior conversão.
  • Lista acionável: “reativar com cupom Y” (hipótese de campanha).

Dados

  • Grão base: fact_orders agregado por customer_id.
  • Cuidado com identificação (mesmo cliente em múltiplos canais) — chave mestra versionada.

Abordagem MVP

  1. Tabela customer_features_daily materializada por job.
  2. Regras para churn (baseline) antes de modelo.
  3. Validação: holdout temporal (não embaralhar tempo).

Ligação com growth

  • Exportação para WhatsApp marketing (respeitando opt-in) ou Meta Custom Audiences.
  • Medir uplift com grupo controle — sem isso, produto não fecha narrativa.

Riscos

  • LGPD e consentimento para uso secundário de dados.
  • Viés em clientes esporádicos (turismo, evento) — segmentar “ocasionais”.

Próximo passo

Definir definição de churn para delivery (ex.: 45 dias sem pedido para cliente ativo mensal).