Personalização da experiência do cliente nas Multi-Sided platforms: Um modelo preditivo de comportamento para cross-selling no setor segurador

Abstract

O propósito deste estudo é desenvolver um sistema preditivo baseado em machine learning para personalizar estratégias de cross-selling de seguros de vida na Doutor Finanças, MSP de referência no setor segurador português. Implementou-se a metodologia CRISP-DM analisando a base de clientes reais através de variáveis comportamentais, transacionais e demográficas. Foram testados e avaliados quatro algoritmos de classificação supervisionada (k-Nearest Neighbors, Logistic Regression, Naive Bayes e Decision Tree) através das métricas CA e AUC, priorizando a capacidade de identificar oportunidades comerciais e minimizar oportunidades perdidas de conversão. O modelo Naive Bayes demonstrou uma capacidade excecional na identificação de clientes propensos à compra, enquanto o Decision Tree revelou perfis específicos de alta conversão: ausência de apólice automóvel anterior, origem em leads referenciadas e padrão de comunicação escrita normal. Os algoritmos identificaram segmentos de clientes com propensão superior de conversão, permitindo à empresa concentrar recursos nos perfis mais promissores e eliminar abordagens comerciais inadequadas. A implementação transforma o cross-selling através da personalização da experiência do cliente. Esta abordagem substitui as campanhas genéricas por experiências comerciais personalizadas, assegurando a entrega de recomendações nos momentos certos do ciclo de vida familiar. Simultaneamente, reduz os custos operacionais, otimizando o contato com a base de clientes existente, e cria experiências diferenciadas que consolidam o relacionamento cliente-plataforma. A personalização da experiência do cliente, além de fortalecer o relacionamento, estabelece um ciclo virtuoso de aprendizagem contínua, no qual cada interação transforma-se numa oportunidade de refinamento que melhora continuamente a precisão preditiva.

The purpose of this study is to develop a predictive system based on machine learning to personalise life insurance cross-selling strategies at Doutor Finanças, a leading MSP in the Portuguese insurance sector. The CRISP-DM methodology was implemented by analysing the real client base through behavioural, transactional, and demographic variables. Four supervised classification algorithms (k-Nearest Neighbours, Logistic Regression, Naive Bayes, and Decision Tree) were tested and evaluated using CA and AUC metrics, prioritising the ability to identify genuine commercial opportunities and minimise missed conversion opportunities. The Naive Bayes model demonstrated exceptional capability in identifying clients prone to purchase, whilst the Decision Tree revealed specific high-conversion profiles: absence of previous motor insurance policy, origin from referred leads, and normal written communication patterns. The algorithms identified client segments with superior conversion propensity, enabling the company to concentrate resources on the most promising profiles and eliminate inappropriate commercial approaches. The implementation transforms cross-selling through the personalisation of the customer experience. This approach replaces generic campaigns with personalised commercial experiences, ensuring the delivery of recommendations at the right moments within the family lifecycle. Simultaneously, it reduces operational costs by optimising contact with the existing customer base, whilst creating differentiated experiences that consolidate the customer-platform relationship. Customer experience personalisation, beyond strengthening the relationship, establishes a virtuous cycle of continuous learning, wherein each interaction transforms into a refinement opportunity that continuously enhances predictive accuracy.