Previsão de Churn de Clientes de um E-commerce

Este projeto apresenta o desenvolvimento de um modelo preditivo para combater a rotatividade de clientes (churn) em uma operação de E-commerce. O trabalho foi desenvolvido usando a metodologia CRISP-DM, cobrindo todo o ciclo de desenvolvimento de um modelo preditivo: ingestão e limpeza de dados, análise exploratória, engenharia de features, treinamento de modelos, otimização de hiperparâmetros e análise de interpretabilidade utilizando SHAP e outras métricas clássicas. O foco central foi transformar dados de comportamento (horas no app, dispositivos registrados) e histórico de satisfação em uma ferramenta de suporte à decisão, permitindo que a empresa atue de forma proativa com campanhas de fidelização direcionadas e personalizadas.

O desenvolvimento focou na evolução incremental de modelos baseados em Random Forest, com ênfase na superação do overfitting para garantir a aplicabilidade em cenários reais. A versão final do modelo (V2) priorizou a capacidade de generalização, alcançando um aumento no Recall para a classe de churn de 78% para 80% no conjunto de teste. Esse ajuste estratégico garante que a empresa capture uma fatia maior de clientes em risco, otimizando o ROI das ações de retenção e reduzindo o Custo de Aquisição de Clientes (CAC) ao focar na preservação da base atual.

Principais Destaques

• Ciclo End-to-End: Implementação completa desde o tratamento de bases heterogêneas até a exportação do modelo final otimizado.
• Otimização de Hiperparâmetros: Ajuste fino via GridSearch para mitigação de overfitting, garantindo que o modelo aprenda padrões reais.
• Interpretabilidade com SHAP: Uso de valores SHAP para decompor a influência de variáveis como "distância do depósito" e "tempo de cadastro" na propensão ao churn.
• Foco em Métricas de Negócio: Priorização do Recall sobre a Acurácia simples, visando maximizar a identificação de clientes que efetivamente tendem a sair.
• Análise de Robustez: Comparação rigorosa entre versões do modelo (V1 vs V2), validando a estabilidade e a confiabilidade preditiva para uso em produção.