COMPARAÇÃO DE MODELOS DE MACHINE LEARNING PARA PREVISÃO DE CHURN EM UMA EMPRESA DE MÍDIA DE PORTO ALEGRE - Estudo de caso e análise de variáveis

Aug 4, 2026

Carregar por Theodore

Estudo de caso que elabora e compara modelos de machine learning para prever churn em um produto digital de uma empresa de mídia de Porto Alegre. O trabalho busca identificar, na ferramenta BigQuery, qual modelo apresenta melhor desempenho e quais dados possuem maior relação direta com o cancelamento de clientes. A avaliação utiliza métricas de precisão, recall, acurácia e matriz de confusão, com backward elimination no modelo de maior acurácia para interpretar a contribuição das variáveis. Os modelos obtêm resultados semelhantes, com exceção da regressão logística, destacando variáveis como acessos via newsletter, tempo de base, sistema operacional, produto assinado e plataforma/browser.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas38

Tempo de leitura59 min

AcessoDownload gratuito

Índice

Introdução

Machine Learning e Churn

Comparação e avaliação dos modelos

Seleção de variáveis e discussão dos resultados

Conclusão

COMPARAÇÃO DE MODELOS DE MACHINE LEARNING PARA PREVISÃO DE CHURN EM UMA EMPRESA DE MÍDIA DE PORTO ALEGRE Filipe Carbonera de Souza¹ Alessandro Nunes de Souza² RESUMO Este artigo trata-se de um estudo de caso em que foram elaborados modelos de machine learning para previsão de churn de um produto digital de uma empresa de mídia de Porto Alegre. O objetivo deste artigo é identificar o melhor modelo de machine learning disponível na ferramenta utilizada pela empresa, o BigQuery, e quais dados tem maior relaçãodireta com o cancelamento dos clientes. As métricas de precisão, recall, acurácia e matriz deconfusão foram utilizadas para medir a performance dos modelos treinados e foi aplicado ométodo backward elimination no modelo de maior acurácia para compreender a relação das variáveis utilizadas para a acurácia do modelo. Os modelos apresentaram resultadossemelhantes, com exceção da regressão logística, e as variáveis de maior relevância para osmodelos foram acessos via newsletter, tempo de base, sistema operacional mais utilizado, produto assinado, plataforma e browser mais acessados. Palavras-chave: Cancelamento; Aprendizado de Máquina; Mídia e Assinatura. ABSTRACT This article is a case study where machine learning models were developed to predict the churn of a digital product from a media company in Porto Alegre. The purpose of this article is to identify the best machine learning model available in the tool BigQuery and which feature has the greatest direct relationship with customer churn. The metrics of precision, recall, accuracy and confusion matrix were used to measure the performance of the trained models and the backward elimination method was applied to the model with the highest accuracy to understand the relationship of the variables used for the accuracy of the model. The models had similar results with the exception of logistic regression and the variables with most relevance for the models were hits via newsletter, base time, most used operational system, subscribed product, most accessed platform and browser. Keywords: Churn; Machine Learning; Media; Subscription. 1 INTRODUÇÃO O avanço tecnológico das últimas décadas transformou drasticamente os setoreseconômicos e sociais. Nesse contexto, a Ciência de Dados assumiu papel de protagonismo na busca por soluções inovadoras, eficientes e eficazes (ULLAH et al., 2019) . Particularmente, naeconomia digital, o conceito de 'churn', que se refere à taxa de cancelamento ou não renovaçãode um serviço, tornou-se uma métrica essencial para empresas que operam sob modelos deassinatura (KHODABANDEHLOU; RAHMAN, 2017) . A compreensão deste fenômeno, com vistas à minimização de sua ocorrência, é crucial para a sobrevivência e crescimento sustentável de negócios nesse setor. Dessa forma, as empresas têm buscado, cada vez mais, a adoção de estratégias de retenção de clientes baseadasem Modelos de Machine Learning (ML) para previsão de churn (KUMAR; CHANDRAKALA, 2016). A tarefa é desafiadora, uma vez que envolve a análise de inúmerosdados e comportamentos dos usuários, que são dinâmicos e muitas vezes imprevisíveis. Nessa perspectiva, a escolha correta do modelo de ML a ser adotado é crucial para o sucesso de ações com este objetivo (LALWANI et al., 2022) . Tendo como base este conceito, neste artigo será discutido sobre como ele pode seraplicado em uma empresa mídia de Porto Alegre, com atuação significativa no setor deassinaturas digitais, pois enfrenta essa realidade diariamente. Em sua base de clientes, composta por milhares de assinantes, a taxa de churn representa uma importante métrica a sermonitorada e controlada. Consequentemente, a empresa está em busca de estratégias efetivas de ML para lidar com este fenômeno. Existem diversos modelos de ML disponíveis para tratar deste problema, cada um com suas características, vantagens e desvantagens. Desde métodos mais simples, como Regressão Logística, até técnicas mais sofisticadas, como Redes Neurais e G

Perguntas frequentes

Qual é o objetivo principal do estudo sobre churn?

Identificar o melhor modelo de machine learning disponível na ferramenta BigQuery e descobrir quais dados têm maior relação direta com o cancelamento dos clientes.

Como a performance dos modelos foi medida?

Foram usadas métricas de precisão, recall, acurácia e matriz de confusão para avaliar os modelos treinados.

Quais variáveis foram consideradas mais relevantes para os modelos?

Entre as mais relevantes estão acessos via newsletter, tempo de base, sistema operacional mais utilizado, produto assinado e plataforma e browser mais acessados.

Aug 4, 2026

Carregar por Theodore