Análise ao Longo do Tempo da Estabilidade de Técnicas de Aprendizado de Máquina no Gerenciamento de Churn em Negócios Não Contratuais

• Ano de defesa: 2024
• Autor(a) principal: Reis, Adriana Letícia dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise out-of-time; Churn; Logistic regression; Random forest; Random forests; Regressão logística; Stability over an out-of-time; XGBoost
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-14032025-133533/

A previsão da rotatividade de clientes B2B representa um desafio significativo para as empresas. Principalmente nos modelos de negócio que não são baseados em assinaturas. Fatores como, ausência de contratos formais de fidelização, menor quantidade de clientes em comparação ao B2C e tomada de decisão influenciada por variáveis difíceis de serem mensuradas, como orçamento disponível, custos e stakeholders, tornam a predição churn crucial para as organizações. Além disso, na literatura, a previsão de evasão de clientes B2B em negócios não contratuais permanece pouco explorada. Neste contexto, este trabalho visa contribuir para a literatura de duas formas. A primeira abordagem é por meio da aplicação prática de algoritmos de aprendizado de máquina supervisionado para classificar quais os clientes B2B apresentam maior probabilidade de deixar a empresa. Os modelos preditivos foram treinados e testados em um conjunto de dados reais de compras de clientes B2B de uma empresa do varejo de produtos químicos para o agronegócio. Para isso, foram aplicadas as técnicas de classificação Regressão Logística, Random Forests e XGBoost. A segunda abordagem e o objetivo principal deste estudo é analisar a estabilidade preditiva destes modelos ao longo de um ano (análise out of time) e não somente o momento em que os algoritmos foram treinados e testados. Além disso, foi assumido que neste período não haveria novos treinamentos dos modelos. A avaliação temporal foi realizada por meio das métricas Acurácia, Sensibilidade, Precisão, F1 Score e AUC-ROC. Os classificadores Random Forests e Regressão Logística foram os que apresentaram maior estabilidade nos quatro trimestres observados. Dessa análise foi aplicada a validação cruzada entre estes dois modelos com o objetivo de selecionar apenas um único classificador. Como última etapa do experimento, foi realizado o teste t, assim sendo possível avaliar qual o modelo manteve a capacidade preditiva ao longo do tempo - um ano.