Problema¶
A dor¶
Em telecom, o churn (cancelamento) é um dos maiores vazamentos de receita — reter custa muito menos do que adquirir. O time de retenção não consegue ligar para todos: precisa saber quem está em risco e por quê, para escolher a oferta certa. Uma probabilidade solta não aciona ninguém; o valor está em transformar a previsão em ação priorizada e justificada.
Stakeholders¶
| Stakeholder | Papel |
|---|---|
| Time de retenção / call center | Usuário direto: recebe risco + explicação + ação |
| Gestão de CRM / receita | Acompanha volume de risco e efetividade das ações |
| Cliente final | Afetado: recebe (ou não) uma oferta — exige cuidado com viés (ver Ética) |
Métricas de sucesso¶
Taxa de retenção dos clientes de alto risco contatados e redução do churn evitável. Operacionalmente: o analista decide a ação em segundos, com justificativa.
Classe desbalanceada (~26,5% de churn) → métrica primária PR-AUC (Average Precision) + Recall da classe churn. Acurácia isolada é enganosa e foi descartada.
Por que ML (e não uma regra simples)¶
Regras do tipo "contrato mensal = risco" capturam parte do sinal, mas o churn depende de interações entre tempo de casa, tipo de serviço, forma de pagamento e valor — que o Gradient Boosting modela e o SHAP explica cliente a cliente.