JET-SKI IFOOD (VALE-REFEIÇÃO)

Sendo assim venho compartilhar mais um desafio proposto no curso de pós graduação em Machine Learning & Data Science da Tera , pelo expert Gustavo Pilatti e pela Ana Carolina Fernandes Dias , em um contexto para uma solução de negócios para o iFood .

Dessa vez o objetivo é colocar em prática um projeto de clusterização, utilizando o algoritmo KMeans.

Problema de negócio

Qual é a primeira coisa que devemos fazer antes de programar? O famoso PED, ou Pesquisar, Estudar e Descobrir (créditos para esta sigla).

Sendo assim busquei entender quem está por trás das decisões de negócio do iFood e quais são suas ideias para continuar desenvolvendo a maior food tech da América Latina. Fabricio Bloisi é o CEO da empresa e deu recentemente uma entrevista para o canal NeoFeed . Veja alguns trechos da entrevista:

Fabricio Bloisi: "Começamos o iFood com uma empresa pequenininha. Nosso foco era o marketplace. Nos primeiros 5 anos a gente não entregava comida do iFood. Há 3 anos, entramos em outra fase, com motoboys fazendo entregas, isso já representa 35% das nossas vendas. E fomos entrando em outros negócios recentemente."

Entrevistador: "Quais negócios?"

Fabricio Bloisi: "Entramos na área de mercados, farmácia e pets, e operamos mais de 100 mercados nossos, dark stores em 30 cidades. Já somos líderes nesse segmento. E, nesse último ano, entramos no mercado de fintech. Durante a pandemia, fizemos crédito para restaurantes. Junto com o Itaú, adiantamos R$ 10 bilhões para os restaurantes, passamos a pagar em um dia ou dois dias em vez de um mês, o que gera um impacto de fluxo de caixa gigante e de graça. Fizemos por um ano e meio. Depois disso, transformamos em um negócio. Agora emprestamos e cobramos e as pessoas pagam em 10 ou 12 meses. A carteira de crédito hoje é R$ 300 milhões. Mas o nosso negócio de fintech mais importante que começamos há pouco mais de 1 ano é o vale-refeição. Nesse período relativamente curto temos centenas de milhares de clientes."

Entrevistador: "Já é relevante para a empresa?"

Fabricio Bloisi: "É a primeira vez que divulgamos isso. Temos mais de 4 milhões de estabelecimentos cadastrados por meio do cartão físico iFood Benefícios Elo, contratos com mais de 6 mil empresas e 650 mil colaboradores usando o serviço. Acho isso superimportante porque a legislação está mudando para permitir que haja mais players de vale-refeição, que é um negócio que pode ser modernizado.

PED realizado com sucesso, olha que incrível. Parece que agora já temos um ponto de partida para nosso projeto de cluster, entender quais são esses tipos de pessoas que podem ser os futuros clientes deste vale-refeição, tal como os estabelecimentos potenciais para usufruir do programa de crédito.

Objetivo do modelo de cluster

Os objetivos definidos para o projeto são:

• Conhecer os grupos de pessoas que são potenciais clientes de vale-refeição.
• Conhecer os principais restaurantes frequentados por estes clientes.
• Conhecer as regiões do Brasil com maiores potenciais de clientes para investimento inicial.
• Conhecer os principais tipos de comida pedidos por estes clientes.

A partir desta informação, o iFood pode direcionar sua estratégia de crescimento para expandir seu serviço de vale-refeição para clientes e créditos para restaurantes.

Pyhton, pandas, sklearn, KMeans, ...

Sim, eu desenvolvi um programa em Python que pode ser acessado por completo no meu repositório do GitHub clicando aqui. O programa seguiu o roteiro a seguir:

• Pré-processamento de dados (a parte que, sempre, demora mais), utilizando a função merge do dataframe para unir 3 bancos de dados diferentes, que continham muitas informações sobre o cliente, restaurante, pedido e um valor super importante, o NPS (avalia o quanto os clientes estão satisfeitos com a experiência que tiveram). Vale ressaltar que todas informações eram confidenciais, didáticas e não expunham informações de absolutamente nenhum cliente. Neste ponto foram deletados algumas features e excluídos algumas linhas com dados faltantes, decisões de negócio (como em todo algoritmo).

Nesta parte foi feita a decisão de negócio mais importante de todas, baseada na pesquisa inicial. Como os 4 mais frequentes tipos de refeição apresentadas foram: almoço e janta durante a semana e almoço e janta durante o final de semana (sim, tinha diversas opções como também café da manhã, lanche da tarde, etc...), decidimos filtrar nosso dataframe para apenas pedidos feitos nessas categorias.

Porque? Simples, porque o nosso objetivo é encontrar padrões em pessoas que sejam potenciais clientes de vale-refeição. Quando se costuma usar este tipo de benefício? Exatamente nessas situações rotineiras, no trabalho, durante a semana ou no final de semana de trabalho também.

Mas você acha que até mesmo o jantar no final de semana se encaixa nas pessoas que estão trabalhando e usando o vale refeição? Não, não exatamente neste contexto, mas vamos pensar mais além.

Se queremos criar um produto, precisamos que o cliente fique interessado neste produto e tenha vantagens ao utilizá-lo, ninguém vai mudar sua forma de pagamento se não for beneficiado com a troca.

Pois bem, então selecionamos um público potencial cliente de vale-refeição, mas que também faz pedidos para jantar no Sábado a noite? PERFEITO! É aí que ganhamos este cliente, oferecendo um programa de bônus por fidelidade e utilização do cartão. Quanto mais ele usa, mais pontos ele junta para poder gastar e curtir uma promoção na sua hora de descanso ou curtição. O que achou?

É por isso que precisamos ter bem claros nossos objetivos antes de programar, mas vamos voltar ao roteiro.

• Uma análise exploratória, combinando variáveis categóricas e numéricas, feita para extrairmos as características deste grupo, já filtrado, de usuários do iFood .
• Preparando o modelo para o cluster. É necessário normalizar as variáveis numéricas, aqui foi utilizado o Robust Scaler, como também tornar numéricas as variáveis categóricas, aqui foi utilizado o One Hot Encoding e o Target Encoding.
• É hora de modelar! Primeiro foi utilizado um algoritmo para definir a quantidade ideal de clusters e posteriormente aplicado o KMeans para calcular os 4 clusters definidos.

Resultados

Dentre os 4 clusters, observamos algo importante em 2, em relação ao NPS e ao número de contagens no cluster.

• Cluster 0 - NPS: 9,56; Quantidade de valores: 3.519.436
• Cluster 1 - NPS: 9,35; Quantidade de valores: 448.138
• Cluster 2 - NPS: 9,76; Quantidade de valores: 10.717
• Cluster 3 - NPS: 3,79; Quantidade de valores: 432.046

Ou seja, temos um cluster dominante em número de membros, o cluster 0, que possui um NPS alto e pode ser o maior potencial de clientes para o nosso produto. No entanto existe o cluster 3, que embora menor, apresenta uma certa insatisfação com NPS baixo e também deve ser estudado.

Avaliando os clusters

O Cluster 0 está presente no estado de São Paulo, como na capital, em bairros como a Bela Vista, Vila Mariana e Pinheiros, conhecidos por sua gastronomia diversificada e diversos escritórios de trabalho.

Outras cidades do estado como Guarulhos e, mais no interior, Campinas, também estão presentes neste cluster. Na capital do estado do Rio de Janeiro, Copacabana e Barra da Tijuca despontam como as mais frequentes.

Os pratos mais pedidos por este cluster são: comida brasileira, lanche, pizza, comida japonesa e comida saudável. A lista dos IDs dos 10 restaurantes mais frequentes neste cluster está disponibilizada no código no GitHub. A grande maioria utiliza o aplicativo no celular.

O Cluster 3 está presente no estado de São Paulo, como na capital, em bairros como a Bela Vista, Jardim Paulista e Vila Mariana, também conhecidos por sua gastronomia diversificada e diversos escritórios de trabalho.

Outras cidades do estado como Guarulhos e, mais no interior, Campinas, novamente também estão presentes neste cluster. Na capital do estado do Rio de Janeiro, Copacabana e Tijuca (não é a Barra da Tijuca) despontam como as mais frequentes.

Os pratos mais pedidos por este cluster são: comida brasileira, lanche, pizza, comida japonesa e doces e bolos, sendo este último a única diferença em relação ao cluster 0, que preferia comidas saudáveis. A lista dos IDs dos 10 restaurantes mais frequentes neste cluster também está disponibilizada no código no GitHub. A grande maioria também utiliza o aplicativo no celular.

Conclusão

O objetivo é criar uma estratégia de crédito para os restaurantes mais frequentes no cluster 0, que possui um NPS médio de 9,56, começando inicialmente nos estados do RJ, SP e PR. Além disso, o iFood pode testar oferecer um vale-refeição, inicialmente para os clientes com o perfil do cluster 0.

Uma grande ideia ao escolher os dados inicialmente é que, para os clientes que usarem este cartão, exista um plano de pontos que, acumulados, podem ser gastos em refeições como uma janta no final de semana, que também é muito comum neste grupo de pessoas.

Outro ponto importante é tentar entender o porque do público do cluster 3 ter um NPS tão mais baixo. Podemos verificar isso melhor entendendo sobre os restaurantes listados como os mais frequentes neste cluster.

MAS PORQUE VOCÊ ESCREVEU JET-SKI NO COMEÇO?

A ideia é que este modelo seja um 'jet-ski', assim como é feito no iFood , um projeto inovador, para ser testado de forma rápida e por um grupo pequeno de pessoas, que em um prazo curto de meses, testará o desempenho deste projeto.

Espero que você tenha curtido este artigo, estou aberto para discutirmos ideias e evoluirmos como profissionais de ciência de dados, mais analíticos, mais críticos, com melhor entendimento de negócio e com melhores ferramentas de programação.

Vamos juntos conectar a educação. ♾️🤓📚