Uma constante no mundo dos negócios é a frequente movimentação de clientes, aderindo ou
abandonando os serviços e produtos das empresas. O cliente é um dos ativos mais importantes de
uma empresa. Reduzir o índice de abandono dos clientes passou a ser questão de sobrevivência
e, ao mesmo tempo, o...

Uma constante no mundo dos negócios é a frequente movimentação de clientes, aderindo ou
abandonando os serviços e produtos das empresas. O cliente é um dos ativos mais importantes de
uma empresa. Reduzir o índice de abandono dos clientes passou a ser questão de sobrevivência
e, ao mesmo tempo, o modo mais eficiente para manter a clientela, uma vez que a substituição
dos desistentes por novos clientes custa, em média, 40% mais caro. Visando mitigar o fenômeno
churn (evasão de clientes), este estudo teve por objetivo comparar modelos preditivos para
descobrir o método mais eficiente para identificar os clientes que tendem ao abandono, no
contexto de uma organização bancária. Através da revisão da literatura de trabalhos relacionados
sobre o tema, os modelos Redes Neurais, Árvore de Decisão, Floresta Aleatória e Regressão
logística foram os mais citados, sendo os eleitos para esse trabalho. O contexto foi uma
organização bancária múltipla de economia mista, de capital aberto, de porte médio com mais
de quatro milhões de clientes ativos. A metodologia abordada foi a quantitativa, descritiva e
aplicada, utilizando dados reais para um estudo de caso. Foram desenvolvidas análises em uma
amostra de 200 mil operações de crédito, com 497 variáveis explicativas. O tratamento estatístico
dos dados e o desenvolvimento dos modelos preditivos de churn foram realizados por meio
do software Orange Data Mining. Os resultados mais expressivos foram alcançados por meio
da Floresta Aleatória, tendo sido observada acurácia (índice de acertos) em patamar de 82%.
Portanto, o trabalho evidencia que o desenvolvimento de ações de retenção são relevantes e
contribuem significativamente para os resultados da empresa.
Palavras-chave: Evasão de clientes. Aprendizagem de máquina. Modelo preditivo Churn.
Redes Neurais. Árvore de Decisão. Floresta Aleatória. Regressão Logística

A constant in the business world is the frequent movement of customers, joining or abandoning
a company¿s services and products. The customer is one of company¿s most important asset.
Reducing the rate of customer abandonment has become a matter of survival and, at the same
time, since the...

A constant in the business world is the frequent movement of customers, joining or abandoning
a company¿s services and products. The customer is one of company¿s most important asset.
Reducing the rate of customer abandonment has become a matter of survival and, at the same
time, since the replacement of lost clients costs, on average, 40% more it is more cost effective
to retain them. Aiming to mitigate the churn (customer attrition) phenomenon, this study aimed
to compare predictive models to discover the most efficient method to identify customers who
tend to dropout, in the context of a banking organization. Through the literature review of
related works on the subject, the Neural Networks, Decision Tree, Random Forest and Logistic
Regression models were the most cited, being the chosen ones for this work. The context was
a medium-sized, publicly traded, mixed-capital multi-banking organization with more than
four million active customers. The methodology approached was quantitative, descriptive and
applied, using real data for a case study. Analyses were carried out on a sample of 200 thousand
credit operations, with 497 explanatory variables. The statistical treatment of the data and the
development of predictive models of churn were carried out using Orange Data Mining software.
The most revealing results were achieved through Random Forest, with an accuracy (hit rate) at
a level of 82%. Therefore, this work shows that the development of retention actions are relevant
and significantly contribute to a company¿s results.
Keywords: Churn. Machine learning. Churn predictive Model. Neural Networks. Decision
Tree. Random Forest. Logistic Regression.