Loading...
Publication
Exploração de técnicas de inteligência Artificial para personalização e otimização de campanhas omnicanal no Retalho Alimentar
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.68 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The increasing digitalization in the food retail sector, coupled with the evolution of consumer preferences, demands innovative solutions for personalization and integration of omnichannel campaigns. This thesis explores the use of clustering algorithms and LLMs (Large Language Models) to create a data-driven approach that improves campaign efficiency and increases customer loyalty and ROI (Return On Investment).
The research focuses on developing a framework that integrates dispersed customer behavior, profile, and campaign data, segments customers using clustering algorithms based on variables such as interaction value and time to purchase, applies predictive models to estimate conversions and validate decisions, generates personalized messages with LLMs adapted to segment, campaign type, and channel, and optimizes campaigns by analyzing ROI, average cost per conversion, and engagement.
Unlike previous studies that separately analyze aspects such as segmentation or personalization, this approach integrates robust techniques to create holistic solutions adapted to the consumer's omnichannel journey. The CRISP-DM methodology was adopted to ensure rigor, scalability, and efficiency in data analysis, allowing to overcome challenges such as information fragmentation and lack of integration between channels.
The results demonstrate that the proposed framework not only improves the customer experience but also increases operational efficiency and ROI, creating significant competitive advantages for retailers. The integration of AI technologies emerges as a critical solution to overcome traditional limitations, providing real-time personalization, predictive analysis, and operational efficiency.
This thesis contributes to the advancement of knowledge about AI in omnichannel marketing, offering practical and theoretical solutions for a constantly evolving sector, positioning food retail as an example of customer-centered innovation.
A crescente digitalização no setor do retalho alimentar, associada à evolução das preferências dos consumidores, exige soluções inovadoras para personalização e integração de campanhas omnicanal. Esta tese explora a utilização de algoritmos de clustering e LLMs (Large Language Models) para criar uma abordagem baseada em dados que permite melhorar a eficiência das campanhas e aumentar a fidelização e o ROI (Return on Investment). A investigação centra-se no desenvolvimento de uma framework que integra dados dispersos de comportamento, perfil e campanhas dos clientes, segmenta-os com algoritmos de clustering baseados em variáveis como valor de interação e tempo até compra, aplica modelos preditivos para estimar conversões e validar decisões, gera mensagens personalizadas com LLMs adaptadas ao segmento, tipo de campanha e canal, e otimiza campanhas analisando o ROI, custo médio por conversão e engagement. Diferente de estudos anteriores, que analisam separadamente aspetos como segmentação ou personalização, esta abordagem integra técnicas robustas para criação de soluções holísticas adaptadas à jornada omnicanal do consumidor. A metodologia CRISP_DM foi adotada para garantir rigor, escalabilidade e eficiência na análise de dados, permitindo superar desafios como a fragmentação de informações e a falta de integração entre canais. Os resultados demonstram que a framework proposta não só melhora a experiência do cliente, mas também aumenta a eficiência operacional e o Roi, criando vantagens competitivas significativas para os retalhistas. A integração de tecnologias de Ia emerge como uma solução critica para superar limitações tradicionais, proporcionando personalização em tempo real, análise preditiva e eficiência operacional. Esta dissertação contribui para o avanço do conhecimento sobre IA no marketing omnicanal, oferecendo soluções práticas e teóricas para um setor em constante evolução, posicionando o retalho alimentar como um exemplo de inovação centrada no cliente.
A crescente digitalização no setor do retalho alimentar, associada à evolução das preferências dos consumidores, exige soluções inovadoras para personalização e integração de campanhas omnicanal. Esta tese explora a utilização de algoritmos de clustering e LLMs (Large Language Models) para criar uma abordagem baseada em dados que permite melhorar a eficiência das campanhas e aumentar a fidelização e o ROI (Return on Investment). A investigação centra-se no desenvolvimento de uma framework que integra dados dispersos de comportamento, perfil e campanhas dos clientes, segmenta-os com algoritmos de clustering baseados em variáveis como valor de interação e tempo até compra, aplica modelos preditivos para estimar conversões e validar decisões, gera mensagens personalizadas com LLMs adaptadas ao segmento, tipo de campanha e canal, e otimiza campanhas analisando o ROI, custo médio por conversão e engagement. Diferente de estudos anteriores, que analisam separadamente aspetos como segmentação ou personalização, esta abordagem integra técnicas robustas para criação de soluções holísticas adaptadas à jornada omnicanal do consumidor. A metodologia CRISP_DM foi adotada para garantir rigor, escalabilidade e eficiência na análise de dados, permitindo superar desafios como a fragmentação de informações e a falta de integração entre canais. Os resultados demonstram que a framework proposta não só melhora a experiência do cliente, mas também aumenta a eficiência operacional e o Roi, criando vantagens competitivas significativas para os retalhistas. A integração de tecnologias de Ia emerge como uma solução critica para superar limitações tradicionais, proporcionando personalização em tempo real, análise preditiva e eficiência operacional. Esta dissertação contribui para o avanço do conhecimento sobre IA no marketing omnicanal, oferecendo soluções práticas e teóricas para um setor em constante evolução, posicionando o retalho alimentar como um exemplo de inovação centrada no cliente.
Description
Keywords
Inteligência Artificial Clustering Large Language Models Food Retail ROI Omnichannel Marketing