CRM analytics para priorização de clientes e otimização de campanhas orientadas a ROI.
A CampaignSense é uma Proof of Concept (POC) de CRM Analytics que demonstra como dados de clientes e histórico de campanhas podem ser utilizados para priorizar contatos com maior retorno esperado.
O projeto trata modelos de Machine Learning como componentes de suporte à decisão, conectando três elementos principais de sistemas analíticos aplicados a marketing:
- estimativa de propensão de resposta;
- definição de regras de priorização de clientes;
- avaliação de impacto financeiro esperado da campanha.
A proposta é demonstrar como scores analíticos podem ser transformados em decisões operacionais claras, alinhadas a custo de contato e retorno esperado.
Em campanhas de marketing tradicionais, é comum que empresas impactem grandes parcelas da base de clientes sem distinção clara de potencial de retorno.
Esse cenário pode gerar problemas como:
- desperdício de orçamento com clientes de baixa propensão;
- baixo retorno incremental das campanhas;
- dificuldade de justificar decisões de targeting com base em critérios objetivos.
A CampaignSense busca endereçar esse cenário utilizando modelos preditivos para estimar a probabilidade de resposta e definir políticas de priorização baseadas em retorno esperado.
A POC implementa um pipeline completo de CRM analytics orientado à decisão:
- auditoria e análise exploratória dos dados de clientes e campanhas;
- segmentação comportamental de clientes;
- modelagem preditiva de propensão à resposta;
- comparação entre modelos candidatos (LightGBM e XGBoost);
- conversão do score em regra objetiva de priorização;
- estimativa de impacto financeiro esperado da campanha.
A abordagem busca conectar modelagem estatística a decisões acionáveis de marketing, indo além da previsão isolada de resposta.
- Python
- Pandas / NumPy
- SciPy
- Scikit-learn
- LightGBM
- XGBoost
- Matplotlib / Seaborn
- Auditoria e preparação dos dados de clientes
- Análise exploratória orientada à decisão de negócio
- Segmentação comportamental de clientes
- Treinamento e validação de modelos preditivos
- Seleção do modelo campeão
- Conversão de scores em regras de priorização
- Estimativa de impacto financeiro esperado da campanha
- Geração de artefatos analíticos e executivos
campaignsense/
├── data/
│ ├── raw/
│ └── processed/
│
├── src/
│ ├── evaluation.py
│ └── paths.py
│
├── notebooks/
│ ├── 01-data_audit_eda.ipynb
│ ├── 02-eda_decision.ipynb
│ ├── 03-segmentation.ipynb
│ ├── 04-modeling.ipynb
│ └── 05-profit_targeting.ipynb
│
├── references/
│ ├── 01_dicionario_de_dados.md
│ └── campaignsense-results.png
│
├── reports/
│ ├── plots/
│ ├── metrics/
│ ├── tables/
│ └── campaignsense_summary.md
│
└── README.md
A CampaignSense demonstra como análises de CRM podem ser estruturadas para apoiar decisões de campanha orientadas a valor.
A POC entrega:
- modelo preditivo de propensão à resposta;
- segmentação comportamental de clientes;
- regras de priorização baseadas em retorno esperado;
- estimativa de impacto financeiro da campanha;
- artefatos analíticos e executivos para suporte à decisão.
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txtPOC concluída
Este repositório representa uma entrega consolidada de CRM Analytics aplicada à priorização de campanhas de marketing.
Esta POC foi desenvolvida exclusivamente para fins demonstrativos.
Os dados utilizados são públicos e não contêm informações pessoais ou sensíveis.
O projeto não deve ser utilizado diretamente em ambientes produtivos.
Este projeto faz parte do Small Data Lab, um laboratório técnico dedicado à experimentação aplicada em dados, analytics e sistemas de IA.
Explore também outras POCs do laboratório:
- LakeFlow — Pipeline Lakehouse para ingestão e organização de dados externos.
- RetailLens BI — Camada analítica BI-ready para diagnóstico operacional em e-commerce.
- DelayImpact — Análise que investiga o impacto de atrasos logísticos na satisfação do cliente.
- FraudWatch — Sistema de decisão antifraude que transforma scores de ML em políticas operacionais auditáveis.
- DocLens — Chatbot RAG com guardrails e testes adversariais para governança de LLMs.
Este repositório é licenciado sob a MIT License.