Aplicação de técnicas de aprendizado de máquina para classificar a satisfação de clientes de serviços de telefonia celular
DOI:
https://doi.org/10.22456/1983-8026.132217Keywords:
Machine learning, Service quality, Net promoter score, Satisfaction, Mobile telecommunicationAbstract
Medir a qualidade dos serviços de telecomunicações móveis é muito importante para operadoras de telefonia, já que existem mais aparelhos celulares do que habitantes no território brasileiro. A qualidade nesse setor é medida através da satisfação dos clientes, cujos dados podem ser coletados por meio de questionários. Com isso, a utilização de técnicas de aprendizado de máquina (AM) pode ajudar a melhor compreender os fatores que afetam a classificação dos usuários de telefonia celular. Neste contexto, o objetivo deste trabalho é aplicar técnicas de AM em uma base de dados da Agência Nacional de
Telecomunicações (ANATEL) para determinar quais são os fatores mais importantes no serviço de telecomunicações para a satisfação dos clientes das operadoras. Este estudo também avaliou o grau de satisfação de clientes considerados neutros segundo a escala Net Promoter Score (NPS). Os resultados indicam que o algoritmo Random Forest apresentou os melhores resultados em termos de desempenho preditivo. Com relação às importâncias dos atributos, percebeu-se que a qualidade da internet, em estabilidade ou velocidade, tem muita importância na satisfação dos clientes.
Downloads
References
ANATEL. Manual de Aplicação da Pesquisa para Aferição do Grau de Satisfação e da Qualidade Percebida Junto aos Usuários de Serviços de Telecomunicações. Site Governo Federal, 2018. Disponível em: https://sistemas.anatel.gov.br/anexar-api/publico/anexos/download/3236b890e56e212bc319e6d1e2076655. Acesso em: 21 fev. 2023.
ANATEL. Anatel publica resultados da Pesquisa de Satisfação e Qualidade Percebida 2022. Disponível em: < https://www.gov.br/anatel/pt-br/assuntos/noticias/anatel-publica-resultados-da-pesquisa-de-satisfacao-e-qualidade-percebida-2022>. Acesso em: 10/04/2023.
ANATEL. Relatórios de acompanhamento 2022. Disponível em: < https://www.gov.br/anatel/pt-br/dados/relatorios-de-acompanhamento/2022>. Acesso em 10/04/2023.
BALACHANDRAN, A.; SEKAR, V.; AKELLA, A.; et al. Developing a predictive model of quality of experience for internet video. In: Proceedings of the ACM SIGCOMM 2013 conference on SIGCOMM. 2013. Nova York. Anais[…] Nova York: Association for Computing Machinery, 2013. p. 339-350. Disponível em: <https://dl.acm.org/doi/10.1145/2486001.2486025>. Acesso em: 31/10/2022.
BATOUEI, A.; IRANMANESH, M.; MUSTAFA, H.; NIKBIN, D.; PING, T. A. Components of airport experience and their roles in eliciting passengers’ satisfaction and behavioural intentions. Research in Transportation Business & Management, v. 37, p. 100585, dez. 2020.
BELWAL, R.; AMIREH, M. Service quality and attitudinal loyalty: Consumers’ perception of two major telecommunication companies in Oman. Arab Economic and Business Journal, v. 13, n. 2, p. 197–208, dez. 2018.
BOAKYE, K. G.; PRYBUTOK, V. R.; RYAN, S. D. The intention of continued web-enabled phone service usage: A quality perspective. Operations Management Research, v. 5, n. (1–2), p. 14–24, 2012.
BRAMER, M. Principles of Data Mining. 3ª ed. London: Springer London, 2016.
BREIMAN, L. Random Forests. Machine Learning, v. 45, p. 5-32, 2001.
BURHANUDDIN, M. A.; ISMAIL, R.; IZZAIMAH, N.; MOHAMMED, A. A.-J.; ZAINOL, N. Analysis of mobile service providers performance using naïve bayes data mining technique. International Journal of Electrical and Computer Engineering, v. 8, n. 6, p. 5153–5161, 2018.
CARVALHO, A. C. P. L. F.; ALMEIDA, T. A.; GAMA, J.; LORENA, A. C.; FACELI, K. Inteligência Artificial: Uma abordagem de Aprendizado de Máquina. 1. ed. Rio de Janeiro: Ltc, 2011.
COX, T.; BELL, G. A machine learning approach to process improvement in a telecommunications company. Annals of Operations Research, v. 65, p. 21–34, 1996.
CRONIN, J.; BRADY, M. K.; HULT, T. M. Assessing the effects of quality, value, and customer satisfaction on consumer behavioral intentions in in service environments. Journal of Retailing, v. 76, p. 193-218, 2000.
DJATNA, T.; KUSUMA, W. A. Twitter’s Sentiment Analysis on Gsm Services using Multinomial Naïve Bayes. Telkomnika (Telecommunication, Computing, Electronics and Control), v. 15, p. 1354-1361, 2017.
ERTEL, W. Introduction to Artificial Intelligence. 2. ed. London: Springer, 2017.
FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. Advances in Knowledge Discovery & Data Mining. California: American Association for Artificial Intelligence, 1996.
GÉRON, A. Hands-on: Machine Learning with Scikit-Learn, Keras & Tensorflow. 2a ed. Sebastopol: O’Reilly Media, 2019.
GUO, G.; WANG, H.; BELL, D.; BI, Y.; GREER, K. KNN Model-Based Approach in Classification. Lecture Notes in Computer Science, v. 2888, p. 986-996, 2003.
MISHRA, C.; GUPTA, D. L. Deep Machine Learning and Neural Networks: An Overview. International Journal of Artificial Intelligence, v. 6, n. 2, p. 66-73, junho, 2017.
HARRIS, A.; COOPER, M. Mobile phones: Impacts, challenges, and predictions. Human Behavior and Emerging Technologies, v. 1, n. 1, 2019.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning. SpringerLink, 2009. Springer New York.
HOFFMAN, K. D.; BATESON, J. E. G. Princípios de Marketing de Serviços. São Paulo: Pioneira Thomson Learning, 2003.
KENT, M.; PARKINSON, T.; KIM, J.; SCHIAVON, S. A data-driven analysis of occupant workspace dissatisfaction. Building and Environment, v. 205, p. 108270, nov. 2021.
KONAR, A. Artificial Intelligence and Soft Computing Behavioral and Cognitive, Modeling of the Human Brain. Boca Raton, Florida: CRC Press LLC, p. 788, 1999.
KUMAR, A.; LIM, H. Age differences in mobile service perceptions: Comparison of Generation Y and baby boomers. Journal of Services Marketing, v. 22, p. 568-577, 2008.
LACOCHÉE, H.; WAKEFORD, N.; PEARSON, I. A social history of the mobile telephone with a view of its future. BT Technology Journal, v. 21, n. 3, 2003.
LI, W. W.; SPACHOS, P.; CHIGNELL, M.; LEON-GARCIA, A.; ZUCHERMAN, L.; JIANG, J. A quantitative relationship between Application Performance Metrics and Quality of Experience for Over-The-Top video. Computer Networks. v. 142, p. 194–207, 2018.
MARKOULIDAKIS, I.; RALLIS, I.; GEORGOULAS, I.; KOPSIAFTIS, G.; DOULAMIS, A.; DOULAMIS, N. A Machine Learning Based Classification Method for Customer Experience Survey Analysis. Technologies, v. 8, n. 4, p. 76, 7 Dec. 2020.
MORO, S. Guest satisfaction in East and West: evidence from online reviews of the influence of cultural origin in two major gambling cities, Las Vegas and Macau. Tourism Recreation Research, v. 45, n. 4, p. 539–548, 2020.
NASCIMENTO, C. A. N. Avaliação da capacidade do serviço de atendimento de companhias de telefonia móvel no estado do Paraná por meio da qualidade percebida. Trabalho de conclusão de curso. Universidade Tecnológica Federal Do Paraná Departamento Acadêmico De Engenharia De Produção, Ponta Grossa, 2017.
NORMILE, S. Business Intelligence for Telecommunication Industry. INGRES Whitepaper, 2008.
NOVIANTORO, T.; HUANG, J.-P. Investigating airline passenger satisfaction: Data mining method. Research in Transportation Business & Management, v. 43, p. 100726, jun. 2022.
PENG, K.F.; CHEN, Y.; WEN, K.W. Brand relationship, consumption values and branded app adoption. Industry Management Data Systems, v. 114, n. 8, p. 1131-1143, 2014.
RASCHKA, S. Python Machine Learning. 1ª ed. Birmingham (UK): Packt Publishing. 2015.
SACCOL, A. Z.; REINHARD, N. Tecnologias de informação móveis, sem fio e ubíquas: definições, estado-da-arte e oportunidades de pesquisa. Revista de Administração Contemporânea, v. 11, n. 4, p. 175-198, 2007.
SHAHZAD, A.; YAQUB, R. M. S.; DI VAIO, A.; HASSAN, R. Antecedents of customer loyalty and performance improvement: Evidence from Pakistan’s telecommunications sector. Utilities Policy, v. 70, p. 101208, jun. 2021.
SHALEV-SHWARTZ, S.; BEN-DAVID, S. Understanding machine learning. From theory to algorithms, Waterloo: Cambridge University Press, 2014.
SILVA; W. C. P.; PEDROSA, G. V.; GOMES, M. M. F. Proposta de modelo de avaliação da satisfação de usuários de serviços públicos. Brasília: Universidade de Brasília, Faculdade Gama, 2020.
SIROOSI, H.; HESHMATI, G.; SALMANMAHINY, A. Can empirically based model results be fed into mathematical models? MCE for neural network and logistic regression in tourism landscape planning. Environment, Development and Sustainability, v. 22, p. 3701-3722, 2020.
SOLIMAN, M.; FATNASSI, T.; ELGAMMAL, I.; FIGUEIREDO, R. Exploring the Major Trends and Emerging Themes of Artificial Intelligence in the Scientific Leading Journals amidst the COVID-19 Era. Big Data and Cognitive Computing, v. 7, n. 12, 2023.
SUGUMARAN, V.; SABAREESH, G.R.; RAMACHANDRAN, K.I. Fault diagnostics of roller bearing using kernel based neighborhood score multi-class support vector machine. Expert Systems with Applications, v. 34, n. 4, pp. 3090-3098, 2008.
TONG, L.; WANG, Y.; WEN, F.; LI, X. The research of customer loyalty improvement in telecom industry based on NPS data mining. IEEE China Communications, v. 14, n. 11, p. 260–268, nov. 2017.
TYAGI, S. Using data analytics for greater profits. Journal of Business Strategy, v. 24, p. 12-14, 2003.
