Microaula em Método CELULA • Prévia Aberta

<p>Estudo avançado da predição de atrito e cancelamento de clientes (Customer Churn) em modelos de negócios recorrentes (SaaS, fintechs e telecomunicações). Manejo de desbalanceamento severo de classes com técnicas de oversampling sintético (SMOTE, ADASYN) e reponderação de função de perda (scale_pos_weight e class_weight); implementação e ajuste fino de ensembles baseados em árvores de decisão: Random Forest, XGBoost, LightGBM e CatBoost; otimização bayesiana de hiperparâmetros com a biblioteca Optuna; e a superação da modelagem estática binária através da Análise de Sobrevivência (Time-to-Event), modelando o tempo até o churn via estimador não paramétrico de Kaplan-Meier e modelo semi-paramétrico de Riscos Proporcionais de Cox em Python (*lifelines*).</p>

Estudo avançado da predição de atrito e cancelamento de clientes (Customer Churn) em modelos de negócios recorrentes (SaaS, fintechs e telecomunicações). Manejo de desbalanceamento severo de classes com técnicas de oversampling sintético (SMOTE, ADASYN) e reponderação de função de perda (scale_pos_weight e class_weight); implementação e ajuste fino de ensembles baseados em árvores de decisão: Random Forest, XGBoost, LightGBM e CatBoost; otimização bayesiana de hiperparâmetros com a biblioteca Optuna; e a superação da modelagem estática binária através da Análise de Sobrevivência (Time-to-Event), modelando o tempo até o churn via estimador não paramétrico de Kaplan-Meier e modelo semi-paramétrico de Riscos Proporcionais de Cox em Python (*lifelines*).

A Dinâmica do Churn de Clientes e o Desbalanceamento de Classes

A perda de clientes (Churn Rate) é o principal destruidor de valor econômico em modelos de receita recorrente: 1) Definição do Problema: churn voluntário ...