APLICAÇÃO DE MÉTODOS DE MACHINE LEARNING PARA PREVISÃO DE PERDA DE CLIENTES EM UMA EMPRESA DA ÁREA DE TECNOLOGIA

• Autor(a) principal: Wermann, Tiago
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD)
• Texto Completo: http://hdl.handle.net/10737/4185
• topic: ENG; Aprendizagem de Máquina; Python; Rotatividade de Clientes; Machine Learning; Churn; Floresta Aleatória; Random Forest

Nos dias atuais o mundo está extremamente competitivo e para se manter no mercado, as empresas precisam estar atentas à satisfação e à fidelização de seus clientes. A perda de clientes pode ser um problema significativo, pois além de representar a perda de receita imediata, também pode impactar na reputação da marca e na possibilidade de novos negócios. O uso da tecnologia pode ajudar a minimizar este ponto, auxiliando as organizações na estruturação das suas informações, criando estratégias e buscando por um diferencial competitivo no mercado. Neste sentido, a aprendizagem de máquina é muito eficaz na tentativa de prever uma possível desistência de um determinado cliente, pois ela pode aprender e reconhecer métodos que, quando trabalhados de forma correta, entregam um bom resultado na predição proposta. Tendo em vista este cenário, o presente trabalho visou realizar a predição da rotatividade de clientes de um conjuntos de dados, de uma organização prestadora de serviços na área de tecnologia, fazendo uso dos métodos de aprendizagem Floresta Aleatória, Árvore de Decisão, Redes Neurais Artificiais, Naive Bayes. Devido a divergência de amostras do conjunto de dados de churn para os sem churn foi utilizado a técnica de balanceamento de dados Smoteenn. Os dois conjuntos de dados passaram por um processo que consistiu na coleta dos mesmos, no pré-processamento dos dados, na aplicação dos métodos de aprendizagem de máquina, e na avaliação dos métodos. Assim sendo, o método Floresta Aleatória, dentre os utilizados no trabalho, apresentou as melhores performances, sendo o melhor em todas as formas em que foi aplicado.