Classificação Multiclasse de Empresas B2B

Este é um projeto real que aplica técnicas de Machine Learning e Processamento de Linguagem Natural (NLP) para classificar empresas em quatro subsegmentos (Auto Serviço, Cash & Carry, Lanchonete e Padaria). O trabalho aborda um desafio clássico de dados de mercado: a ambiguidade semântica. O objetivo central foi resolver a sobreposição de vocabulário, onde, por exemplo, atacadistas gigantes e mercadinhos de bairro utilizam termos genéricos como "Supermercado" em suas razões sociais e operam sob regras tributárias muito parecidas. A metodologia envolveu engenharia de variáveis (cruzando texto com CNAE e Capital Social) e uma análise comparativa robusta evoluindo de Árvores de Decisão para Random Forest e XGBoost, culminando no teste de uma arquitetura híbrida com IA Generativa (LLMs).

A implementação do modelo final (XGBoost Otimizado) cravou um F1-Score ponderado de 84% em validação cruzada, estabelecendo um novo modelo de referência com 96% de precisão na identificação de atacadistas (Cash & Carry) — o maior gargalo do negócio. Além de entregar um classificador rápido e de baixo custo computacional, o projeto utilizou o GPT-4o-mini como extrator semântico para diagnosticar os limites da base original. Essa etapa diagnóstica provou matematicamente que a ausência do campo "Nome Fantasia" nas bases de cadastro custava quase 20 pontos percentuais de performance, direcionando estrategicamente os próximos passos da companhia para o enriquecimento dos dados na origem, visando a maturidade e qualidade dos dados.

Principais Destaques

• Direcionamento Estratégico: Uso de LLM (GPT-4o-mini) não apenas como classificador, mas como ferramenta diagnóstica para provar que o gargalo preditivo era a maturidade e qualidade dos dados (ausência de completude).
• Precisão Cirúrgica no Gargalo: O modelo campeão atingiu 96% de precisão na classe mais crítica e desafiadora do negócio (Cash & Carry) e 98% de recall na captura total de Lanchonetes.
• Engenharia de Variáveis Múltiplas: Integração de NLP tradicional (Bag of Words) com features numéricas e categóricas (CNAE e Capital Social imputado) para quebrar a barreira de decisão do texto.
• Rigor Estatístico e Validação: Uso de Stratified 5-Fold Cross-Validation e GridSearchCV para estabilizar as métricas, garantir a capacidade de generalização e assegurar a robustez da arquitetura contra overfitting.
• Trade-off Consciente: Análise profunda de métricas (Macro vs Weighted Avg, Precision vs Recall) para garantir que a penalização matemática do algoritmo refletisse a realidade e a volumetria do mercado no dia a dia.
• Benchmarking Algorítmico: Evolução técnica fundamentada, partindo de um Baseline simples (Decision Tree), passando por Ensembles (Random Forest) até atingir o limite tabular com o XGBoost e a experimentação semântica com GenAI.