ALGORITMOS DE PREDIÇÃO DE CHURN: UMA ABORDAGEM COMPARATIVA COM MACHINE LEARNING NO SETOR DE TELECOMUNICAÇÕES
Churn; telecomunicações; aprendizado de máquina; previsão; retenção de clientes.
Este trabalho tem como foco a análise da evasão de clientes (Churn) no setor de
telecomunicações, um dos principais desafios enfrentados pelas organizações devido à elevada
competitividade e aos altos custos de aquisição de novos consumidores. A pesquisa propõe
avaliar comparativamente algoritmos de Machine Learning aplicados à previsão de Churn,
buscando identificar quais algoritmos poderão oferecer maior precisão preditiva, bem como
avaliar os fatores potencialmente mais influentes na decisão de cancelamento dos clientes. Para
isso, será utilizada a base de dados Telco Customer Churn, disponível na plataforma Kaggle,
passando por etapas de pré-processamento, engenharia de atributos e aplicação de modelos
preditivos, como XGBoost, Random Forest, LightGBM e CatBoost. O desempenho dos
algoritmos será comparado por meio de métricas estatísticas como acurácia, precisão, recall,
F1-Score e AUC. Adicionalmente, serão empregadas técnicas de explicabilidade, como SHAP
e LIME, a fim de interpretar os resultados e identificar os atributos mais determinantes no
comportamento de Churn. Espera-se que os achados desta pesquisa contribuam tanto para o
avanço acadêmico, ampliando o entendimento sobre modelagem preditiva em contextos de
negócios, quanto para a prática gerencial, oferecendo subsídios estratégicos para a retenção de
clientes em empresas de telecomunicações.