reiner9/AEDI_5

🏦 Simulador de Retenção de Clientes Bancários

📊 Análise Preditiva com Machine Learning e SMOTE

Este projeto implementa um modelo de predição de churn bancário desenvolvido como parte da disciplina AEDI (Análise Estatística de Dados e Informações) da Universidade de Brasília.

🎯 Objetivo

Desenvolver um sistema preditivo capaz de identificar clientes em risco de churn com foco em maximizar a captura de casos positivos (alta sensibilidade), permitindo ações proativas de retenção.

🔬 Metodologia Científica

Dados e Preprocessamento

• —Dataset: 10.000 registros de clientes bancários
• —Features: 14 variáveis (demográficas, financeiras e comportamentais)
• —Target: Variável binária de churn (79.6% retidos vs 20.4% churn)
• —Balanceamento: SMOTE aplicado para corrigir desbalanceamento de classes

Validação dos Pressupostos

✅ Multicolinearidade: VIF < 5 para todas as variáveis ✅ Linearidade: Relação linear entre variáveis contínuas e logit verificada ✅ Balanceamento: SMOTE aplicado (50/50) para otimizar recall ✅ Independência: Dados de clientes únicos ✅ Outliers: Leverage controlado dentro dos limites

📈 Performance do Modelo

🔍 Principais Descobertas

Fatores de Maior Risco

1. 1.Geografia - Alemanha: +1193% mais chance de churn
2. 2.Geografia - França/Espanha: +4503% mais chance de churn
3. 3.Cliente Inativo: -37% proteção contra churn
4. 4.Idade: +2.3x mais risco por ano adicional
5. 5.Múltiplos Produtos: -17% proteção (até 2 produtos)

Insights Estratégicos por Segmento

🇩🇪 Alemanha (Crítico - 12.9% de churn)

• —Foco em programa de retenção urgente
• —Investigação de causas específicas por país
• —Estratégias customizadas por mercado

👥 Demografia (Moderado)

• —Mulheres: 61% mais propensas ao churn
• —Idade: cada ano adicional = 2.3x mais risco
• —Clientes 50+ são grupo de altíssimo risco

💼 Comportamento (Alavancas)

• —Ser ativo reduz churn em 37%
• —Múltiplos produtos = 17% menos churn
• —Engajamento é proteção crítica

💡 Recomendações de Negócio

Implementação Sugerida

🚨 Fase 1 - Emergencial (0-30 dias)

• —Identificar clientes alemães em risco imediato
• —Contato direto com clientes de perfil extremo
• —Implementar scoring de risco por cliente

📊 Fase 2 - Tática (30-90 dias)

• —Campanhas por país e gênero
• —Estratégias de cross-selling
• —Sistema de monitoramento automático

🎯 Fase 3 - Estratégica (3-12 meses)

• —Produtos customizados por IA
• —Análise preditiva avançada
• —Programa de fidelidade robusto

🔧 Tecnologia e Arquitetura

• —Algoritmo: Regressão Logística com SMOTE
• —Threshold: 0.25 (otimizado para recall)
• —Interface: Gradio para simulação interativa
• —Deploy: Hugging Face Spaces
• —Monitoramento: KPIs em tempo real

💰 Impacto Estimado

Cenário Base:

• —Total de clientes: 10.000
• —Receita média/cliente/ano: €500
• —Taxa de churn atual: 20.4%

Com Modelo SMOTE:

• —Clientes em risco identificados: 151 → €75.500
• —Campanhas desnecessárias evitadas: 375 → €18.750
• —Benefício líquido: €94.250/ano

ROI Projetado: ~22% no primeiro ano

📚 Validação Acadêmica

Este trabalho seguiu rigorosamente os pressupostos estatísticos da Regressão Logística:

1. 1.Relação Linear: Verificada entre variáveis contínuas e logit
2. 2.Independência: Observações de clientes únicos
3. 3.Multicolinearidade: VIF < 5 para todas as variáveis
4. 4.Outliers: Leverage controlado (threshold = 0.003)
5. 5.Tamanho Amostral: 8.000 registros de treino (adequado)

🎓 Desenvolvimento Acadêmico

Disciplina: Análise Estatística de Dados e Informações (AEDI) Instituição: Universidade de Brasília - Departamento de Ciência da Computação Período: 2025/1

🚀 Como Usar

1. 1.Ajuste os parâmetros do cliente na interface
2. 2.Clique em "Analisar Risco de Churn"
3. 3.Interprete os fatores de risco identificados
4. 4.Implemente ações baseadas nas recomendações

Modelo otimizado para produção com foco em maximizar a captura de churns reais!