Impactos e ética

Pensando neste problema (retenção em telecom), não em ética genérica.

Quem pode ser prejudicado por um erro

• Falso negativo: deixa escapar um cliente que iria cancelar → perda de receita.
• Falso positivo: gasta oferta com quem ficaria de qualquer forma → custo e possível desigualdade se as ofertas se concentrarem em certos grupos.

Viés entre grupos

O dataset contém gender e SeniorCitizen, e MonthlyCharges/Contract podem ser proxies de renda. Há risco de a política de retenção favorecer sistematicamente um grupo.

Mitigação recomendada

• Auditar taxa de acerto e taxa de oferta por grupo (gênero, faixa etária, ticket).
• Considerar remover atributos sensíveis do modelo se não agregarem valor preditivo justo.
• Definir o limiar por custo de negócio de forma uniforme entre grupos.

Privacidade e segurança

• Perfis de clientes são dados pessoais. O sistema não persiste PII nos traces — guarda apenas métricas e a probabilidade.
• A chave da OpenAI fica em variável de ambiente / secret, nunca no código.
• Guardrails barram injeção de prompt e uso fora de escopo.
• Em produção, recomenda-se autenticação na API e retenção mínima de dados.

Limitações do dado

Dataset sintético/EUA (IBM Sample Data): padrões podem não generalizar para o mercado brasileiro. Ver o Data Card no repositório (data/DATA_CARD.md).