[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-122467-pt":3,"doc-seo-122467-112":31,"detail-sidebar-cat-0-pt-112":96},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},122467,962085564381,"Clementine","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",32,"Pesquisa e Relatórios","Memorial de Projetos - Aplicação de Técnicas de Machine Learning para Qualificação de Leads B2B","Este trabalho analisa como técnicas de machine learning podem qualificar leads em operações entre empresas (Business to Business – B2B). Foi utilizado um conjunto de dados públicos do Kaggle que simula campanhas de marketing, com etapas de limpeza e padronização, seguido de divisão em treino (70%) e teste (30%). Foram avaliados três modelos supervisionados—Regressão Logística, Random Forest e XGBoost—por acurácia, precisão, recall, F1-score e AUC, destacando melhor desempenho do XGBoost. A importância de atributos apontou saldo bancário, tipo de contato e idade como variáveis centrais; gráficos e matriz de confusão suportaram as conclusões.","UNIVERSIDADE FEDERAL DO PARANÁ  \nGABRIEL BARRETO DOS SANTOS  \n􀀁  \n􀀂􀀁  \n􀀁  \n􀀂 􀀁􀀃  \n􀀁  \n􀀁􀀃  \nMEMORIAL DE PROJETOS: APLICAÇÃO DE TÉCNICAS DE MACHINE LEARNING PARA QUALIFICAÇÃO DE LEADS B2B  \n􀁿 􀂂  \nml  \n-  \n􀀁  \nz  \n{ 􀂄u 􀀚 .  \n􀀇  \n􀀁 􀀃  \n􀀋􀀌  \n􀀅  \n􀀖  \n􀀉  \n􀀄 􀀅􀀈􀀂  \nJ^  \nLM􀀛  \n􀂆  \n\\#$  \nY  \n􀀊  \nw  \n%  \n_ a  \n􀀅  \nQ  \n! R  \nb x  \n& '  \n􀀎􀀊􀀅􀀂􀀃􀀄􀀇􀀈􀀏􀀆􀀉  \n)*  \nj 􀀐  \n􀀉􀀊􀀅  \nN 􀀇  􀀝  \n􀀄􀀇  \nr S  \nT  \n􀂀􀂁f  \nF 􀀁   \n􀀃 􀀁 I  \n􀀂 􀀁  \n􀀅 􀀂 􀀁  \n\"  \n􀀂􀀍 Z  \n􀀁 􀀂  \n􀀈  \n@  \n􀀍  \n􀀁  \n􀀁  \nO  \n􀀃   􀀂   \n􀀃􀀁h􀀊  \n􀀁􀀆 􀀂􀀆  \n􀀄}􀀃( cWi  \n􀀁 􀀗 􀀋  \n􀀌  \n􀀁  \n􀀔  \n?  \n􀀂  \n􀀃  \n;  \n>  \nA G  \nnt \u003C 􀀁  \n/ 􀀁 􀀕􀀌 􀀗 􀀘]􀀂, 􀀍 􀀙  \n 􀀃p   \n􀀄􀀔 􀀕 􀀃  \n􀀓  \n􀀂􀀃  \n sX 12  \n􀀂 􀀍 􀀈  \n9  \n􀀁  \n􀀍  \n􀀄  \n􀀑  \n􀀂  \n􀀂  \n􀀆􀀐􀀘􀀇􀀃􀀂􀀂􀀃􀀇 􀀂  \n~  \n􀀂  \n􀀁  \n􀀁􀀂 +  \n[􀀑  \nCURITIBA 2025  \n4  \nC  \n􀀌  \n􀀁  \nP  \n􀀁 􀀃  \n􀀑  \ny􀀄  \n􀀏  \n0  \n􀀎  \n􀀌  \ne  \n5  \ng  \n􀀅  \n􀀂  \n3  \n 7  \nQ  \n􀀁  \n􀀎  \n􀀓 \\q  \nD  \n􀀋  \n􀀃  \n􀀒  \n=  \n􀀋  \nE  \n􀀇􀀃 􀀄  \n􀀄 K  \n􀀏  \n8  \n􀀂  \n􀀒  \n􀀁 :  \n􀀃  \n􀀁  \nGABRIEL BARRETO DOS SANTOS  \nMEMORIAL DE PROJETOS: APLICAÇÃO DE TÉCNICAS DE MACHINE LEARNING PARA QUALIFICAÇÃO DE LEADS B2B  \nMemorial de Projetos apresentado ao curso de Especialização em Inteligência Artificial Aplicada, Setor de Educação Profissional e Tecnológica, Universidade Federal do Paraná, como requisito parcial à obtenção do título de Especialista em Inteligência Artificial Aplicada.  \nOrientador: Prof. Dr. Jaime Wojciechowski  \nCURITIBA  \nRESUMO  \nEste trabalho examina como técnicas de machine learning podem qualificar leads em operações entre empresas (Business to Business – B2B) . Utilizou-se um conjunto de dados públicos do Kaggle que simula campanhas de marketing; após alimpeza dos registros, os dados foram divididos em amostras de treino (70 %) eteste (30 %) . Três modelos supervisionados—Regressão Logística, Random Forest e XGBoost—foram treinados e comparados por acurácia, precisão, recall, F1-score e AUC. O XGBoost apresentou desempenho superior na maior parte dos indicadores. A análise de importância de atributos revelou saldo bancário, tipo decontato e idade como variáveis centrais para prever conversões. Gráficos dedesempenho e a matriz de confusão deram suporte visual às conclusões. Reconhece-se, contudo, que vieses nos dados de origem e a explicabilidade dos modelos devem ser considerados antes da implantação prática. Mesmo com essas reservas, conclui-se que o uso criterioso de machine learning pode oferecer ganho competitivo concreto, orientando decisões baseadas em dados no contexto B2B.  \nPalavras-chave: Inteligência artificial; machine learning ; qualificação de leads; B2B;  \nXGBoost.  \nABSTRACT  \nThis study investigates how machine-learning techniques can enhance lead qualification in Business-to-Business (B2B) settings. A publicly available dataset from Kaggle, which simulates marketing campaigns, was cleaned, normalized and split into training (70 %) and test (30 %) subsets. Three supervised models—Logistic Regression, Random Forest and XGBoost—were trained and evaluated with accuracy, precision, recall, F1-score and AUC. XGBoost outperformed the other models on nearly every metric. Feature-importance analysis identified bank balance, contact type and customer age as the most influential variables. Performance graphsand a confusion matrix provided additional insight into model behaviour. Although the results are promising, the study highlights the need to address potential data bias and to ensure model explainability before large-scale deployment. Overall, when applied transparently and with sound data-governance practices, machine-learning models can offer tangible competitive advantages by guiding data-driven decisions in the B2B domain.  \nKeywords: Artificial intelligence; machine learning; lead qualification; B2B; XGBoost.  \nSUMÁRIO  \n1 PARECER TÉCNICO .……………………………………………………………………7  \nREFERÊNCIAS …………………………………………………………………………….. 9  \nAPÊNDICE 1 – INTRODUÇÃO À INTELIGÊNCIA ARTIFICIAL .……………………10  \nAPÊNDICE 2 – LINGUAGEM DE PROGRAMAÇÃO APLICADA ..………………... 16  \nAPÊNDICE 3 – LINGUAGEM R ………………………………………………………... 33  \nAPÊNDICE 4 – ESTATÍSTICA APLICADA I .…","cbCaigSwucrocjAa","https://ap.wps.com/l/cbCaigSwucrocjAa","pdf",6883295,2,1,141,"Portuguese","pt",112,"# Parecer técnico\n## Qualificação de leads em ambiente B2B\n# Apêndice 1 – Introdução à Inteligência Artificial\n# Apêndice 2 – Linguagem de Programação aplicada\n# Apêndice 3 – Linguagem R\n# Apêndice 4 – Estatística aplicada I\n# Apêndice 5 – Estatística aplicada II\n# Apêndice 6 – Arquitetura de dados\n# Apêndice 7 – Aprendizado de máquina\n# Apêndice 8 – Deep learning\n# Apêndice 9 – Big data\n# Apêndice 10 – Visão computacional\n# Apêndice 11 – Aspectos filosóficos e éticos da IA\n# Apêndice 12 – Gestão de projetos de IA\n# Apêndice 13 – Frameworks de Inteligência Artificial\n# Apêndice 14 – Visualização de dados e storytelling\n# Apêndice 15 – Tópicos em Inteligência Artificial","[{\"question\":\"Qual é o objetivo do memorial de projetos?\",\"answer\":\"Examinar como técnicas de machine learning podem qualificar leads no contexto B2B, oferecendo apoio a decisões baseadas em dados para melhorar desempenho dos funis de venda.\"},{\"question\":\"Quais dados e etapas de preparação foram usados?\",\"answer\":\"Foi usado um dataset público do Kaggle que simula campanhas de marketing, com tratamento de duplicidades, imputação de valores ausentes e codificação one-hot para variáveis categóricas, antes da divisão treino/teste.\"},{\"question\":\"Quais modelos foram treinados e qual teve melhor desempenho?\",\"answer\":\"Foram treinados Regressão Logística, Random Forest e XGBoost, avaliados por acurácia, precisão, recall, F1-score e AUC; o XGBoost apresentou desempenho superior na maior parte dos indicadores.\"},{\"question\":\"Que variáveis se destacaram para prever conversões?\",\"answer\":\"A análise de importância de atributos indicou saldo bancário, tipo de contato e idade como variáveis centrais para prever conversões, com suporte visual por gráficos e matriz de confusão.\"}]","Memorial de Projetos - Aplicação de Técnicas de Machine Learning para Qualificação de Leads B2B | PDF",1785810805,217,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":91,"head_meta":93,"extra_data":95,"updated_unix":29},"project-report-application-of-machine-learning-techniques-for-b2b-lead-qualification","",{"@graph":37,"@context":90},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/pt/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/pt/document/project-report-application-of-machine-learning-techniques-for-b2b-lead-qualification/122467/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-14","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82,86],{"name":73,"@type":74,"acceptedAnswer":75},"Qual é o objetivo do memorial de projetos?","Question",{"text":76,"@type":77},"Examinar como técnicas de machine learning podem qualificar leads no contexto B2B, oferecendo apoio a decisões baseadas em dados para melhorar desempenho dos funis de venda.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Quais dados e etapas de preparação foram usados?",{"text":81,"@type":77},"Foi usado um dataset público do Kaggle que simula campanhas de marketing, com tratamento de duplicidades, imputação de valores ausentes e codificação one-hot para variáveis categóricas, antes da divisão treino/teste.",{"name":83,"@type":74,"acceptedAnswer":84},"Quais modelos foram treinados e qual teve melhor desempenho?",{"text":85,"@type":77},"Foram treinados Regressão Logística, Random Forest e XGBoost, avaliados por acurácia, precisão, recall, F1-score e AUC; o XGBoost apresentou desempenho superior na maior parte dos indicadores.",{"name":87,"@type":74,"acceptedAnswer":88},"Que variáveis se destacaram para prever conversões?",{"text":89,"@type":77},"A análise de importância de atributos indicou saldo bancário, tipo de contato e idade como variáveis centrais para prever conversões, com suporte visual por gráficos e matriz de confusão.","https://schema.org",{"og:url":52,"og:type":92,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":94,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":97},[98,103,107,111,115,119,123,125,129,133],{"id":99,"doc_module":4,"doc_module_name":47,"category_name":100,"show_sort_weight":101,"slug":102},26,"Contos e Romances",60,"story-novel",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":101,"slug":106},46,"Estilo de Vida","lifestyle",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":101,"slug":110},28,"Exames","exam",{"id":112,"doc_module":4,"doc_module_name":47,"category_name":113,"show_sort_weight":101,"slug":114},47,"Geral","general",{"id":116,"doc_module":4,"doc_module_name":47,"category_name":117,"show_sort_weight":101,"slug":118},29,"Histórias em Quadrinhos","comic",{"id":120,"doc_module":4,"doc_module_name":47,"category_name":121,"show_sort_weight":101,"slug":122},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":101,"slug":124},"research-report",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":101,"slug":128},33,"Religião e Espiritualidade","religion-spirituality",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":101,"slug":132},31,"Saúde e Cuidados","healthcare",{"id":134,"doc_module":4,"doc_module_name":47,"category_name":135,"show_sort_weight":101,"slug":136},45,"Tecnologia","technology"]