Retenção de Alunos no Ensino Superior Privado usando Machine Learning
Informações
Código: EMA103
Divisão: EMA - Encontro de Marketing da ANPAD
Tema de Interesse: Tema 06 - Marketing de Serviços, de Relacionamento e de Vendas
Autores
Francisco Coimbra Carneiro Pereira (Mestr e Dout em Admin de Empresas/IAG-A Esc de Negócios da PUC-Rio – IAG/PUC-Rio - Pontifícia Universidade Católica do Rio de Janeiro) f.coimbra.pereira@gmail.com
Jorge Brantes Ferreira (Mestr e Dout em Admin de Empresas/IAG-A Esc de Negócios da PUC-Rio – IAG/PUC-Rio - Pontifícia Universidade Católica do Rio de Janeiro) jorgebf@gmail.com
Andrea Ribeiro Carvalho de Castro (Mestr e Dout em Admin de Empresas/IAG-A Esc de Negócios da PUC-Rio – IAG/PUC-Rio - Pontifícia Universidade Católica do Rio de Janeiro) andrearc.castro@gmail.com
Cristiane Junqueira Giovannini (Mestr e Dout em Admin de Empresas/IAG-A Esc de Negócios da PUC-Rio – IAG/PUC-Rio - Pontifícia Universidade Católica do Rio de Janeiro e Bacharelado em Administração/IBMEC-RJ - Faculdades IBMEC Rio de Janeiro) mestrekis@gmail.com
Fernanda Leão Ramos (Mestr e Dout em Admin de Empresas/IAG-A Esc de Negócios da PUC-Rio – IAG/PUC-Rio - Pontifícia Universidade Católica do Rio de Janeiro) leaoramos@gmail.com
Resumo
O ensino superior privado perde em média mais de 20% da base de alunos a cada semestre. Esta evasão de alunos representa um desafio para a gestão das instituições de ensino. Para combater este problema, diversos tratamentos são usados. A identificação e a diferenciação dos alunos são os primeiros passos necessários para aplicar uma estratégia de marketing de relacionamento personalizada para a retenção de clientes. Sendo assim, este trabalho apresenta uma metodologia quantitativa para classificação de risco de evasão de alunos ativos. Foram utilizados dados históricos reais de alunos que evadiram ou se formaram em uma instituição de ensino superior, para a geração de modelos preditivos por algoritmos de machine learning. Estes modelos foram calculados e comparados e, posteriormente, usados na classificação dos alunos ativos. Em sequência, foi estimado o lifetime value destes estudantes para servir de base para a definição de estratégias de retenção.
Abrir PDF