Defesa de mestrado do discente Marcus Daniel de Almeida, dia 10/04/2023, as 09:00.

Dia: 10/04/2023
Horário: 09:00
Local: Sala de Seminários do DECOM
link (Meet): meet.google.com/tha-cwps-njv

Título: ChurNAS: uma busca de arquitetura neural para previsão de desligamento de clientes

Resumo: A Predição de desligamento de clientes PDC (do inglês Customer Churn Prediction) é fundamental para a gestão eficiente de clientes, uma vez que permite a otimização da lucratividade por meio de estratégias de marketing informadas e campanhas de retenção. Nesse contexto, o presente estudo propõe uma nova abordagem, chamada ChurNAS, baseada em algoritmo genético para a busca de arquiteturas neurais em problemas de PDC na indústria de serviços financeiros. Ao contrário dos modelos tradicionais, como regressão logística e árvores de decisão, as redes neurais profundas apresentam maior versatilidade para modelagem de dados complexos. No entanto, a busca pela arquitetura ideal em redes neurais profundas é um desafio devido à sua alta complexidade. Os resultados demonstram que a abordagem ChurNAS encontrou modelos com desempenho superior aos classificadores tradicionais ajustados por otimização de hiper-parâmetros (Hyperparameters Optimization - HPO), com acurácia de 88,6%, sensibilidade de 58,89\% e precisão de 39,41\%. Além disso, o estudo examinou o impacto da quantidade de dados e da capacidade do modelo, enfatizando a importância de considerar a natureza temporal das transações financeiras ao utilizar redes neurais para PDC. Em suma, este trabalho destaca o potencial da abordagem ChurNAS para solucionar problemas de PDC no setor de serviços financeiros e melhorar a eficiência do gerenciamento de clientes.