| Página 1: Algoritmo Dinâmico | Página 2: Especificações e Performance |
 |
 |
Este projeto foi desenvolvido utilizando a metodologia DMAIC para identificar os principais drivers de satisfação do cliente. Através de modelos de regressão, foi possível prever o impacto de variáveis operacionais no NPS (Net Promoter Score), permitindo uma tomada de decisão proativa e baseada em dados.
Nota de Confidencialidade: Devido a políticas de LGPD, dados sensíveis e nomes de colunas reais foram omitidos ou mascarados. O foco deste repositório é demonstrar a arquitetura da solução e os resultados de negócio obtidos.
A implementação do algoritmo de predição e o ajuste nos processos internos geraram resultados expressivos entre Junho e Novembro de 2025:
- NPS (Net Promoter Score): Saltou de 35,77% para 57,50%.
- Monitoramento (Aderência ao Processo): Evoluiu de 87,04% para 96,50%.
- Impacto: A predição permitiu identificar exatamente em quais alavancas de monitoramento atuar para maximizar a percepção de valor do cliente.
- Estatística: Minitab (Modelagem de Regressão e Validação de Hipóteses). Utilizei regressão logística para identificar padrões de comportamento do usuário que correlacionam com notas baixas. O dashboard permitiu filtrar por risco de churn e por motivo detrator.
- Business Intelligence: Power BI (Visualização de dados e Dashboards interativos).
- Lógica de Dados: DAX (Métricas calculadas para simulação de cenários).
- Metodologia: Lean Six Sigma (DMAIC).
Nesta seção, detalho como cheguei aos coeficientes de predição:
- Variáveis analisadas: [% de aderência processos internos, Reclamações públicas, reclamações internas, Tempo de resposta, Nota esforço].
- Saída: Probabilidade de [Churn/Satisfação NPS].
/Notebook: Códigos da camada final da programação./results: Tabelas de coeficientes e resultados consolidados./metrics: Documentação das fórmulas DAX e lógica de predição./visuals: Imagens das análises estatísticas e interface./documentation: README
Jessé Oliveira de Castro