31jul2026
09:00 Defesa de Mestrado sala 85 do IC2
Tema
CAUSE-GNN: Aprendizado profundo baseado em grafos de similaridade construídos causalmente aplicado à predição de churn
Aluno
Mariana Aparecida Ferreira
Orientador / Docente
Marcelo da Silva Reis - Coorientador: Julio Cesar dos Reis
Breve resumo
A predição de churn é um problema amplamente relevante para empresas de diversos se tores que buscam crescimento financeiro sustentável, especialmente nas áreas de serviços financeiros e de telecomunicações. Nesses domínios, as relações entre clientes e o consumo de produtos tendem a ser altamente complexas, resultando em grandes volumes de dados e em estruturas de dependência que frequentemente dificultam a modelagem por métodos tradicionais. Abordagens clássicas de aprendizado de máquina, embora eficazes em cená rios predominantemente tabulares, tendem a falhar em captar dependências estruturais e interações indiretas entre clientes (observações). Nesse contexto, modelos baseados em grafos e em aprendizado profundo emergem como alternativas promissoras ao possibili tarem a incorporação explícita de relações entre clientes no processo de modelagem. No entanto, a construção desses grafos frequentemente depende de critérios heurísticos, ba seados no conhecimento de especialistas de negócio ou em análises descritivas realizadas após o treinamento do modelo, como grafos derivados de interações explícitas entre clien tes. Adicionalmente, em diversos contextos de negócio, não há uma heurística clara nem uma fonte direta de relacionamento entre clientes, como em empresas que comercializam produtos digitalmente, o que torna a definição de grafos relacionais um desafio metodoló gico relevante. Esta dissertação propõe, implementa e avalia um arcabouço completo para predição de churn que integra descoberta causal entre variáveis explicativas, construção de grafos entre clientes por similaridade e modelagem preditiva via redes neurais profundas baseadas em grafos. A efetividade do modelo proposto é avaliada de forma abrangente e comparada tanto a variantes com seleção aleatória de variáveis quanto a modelos do estado da arte de aprendizado supervisionado, incluindo Floresta Aleatória, Regressão Logística, XGBoost e LightGBM. Os resultados demonstram que a abordagem proposta supera consistentemente os modelos baseline em métricas críticas de churn, como as taxas de verdadeiro positivo em regimes de baixa taxa de falso positivo. Os achados demons tram que o arcabouço é apropriado para lidar com a complexidade inerente ao problema de predição de churn, apresentando ganhos consistentes de desempenho e maior coerência estrutural em comparação às abordagens tradicionais.
Banca examinadora
Titulares:
| Marcelo da Silva Reis | IC/UNICAMP |
| Sandra Eliza Fontes de Avila | IC/UNICAMP |
| Ronaldo Cristiano Prati | CMCC/UFABC |
Suplentes:
| Rafael de Oliveira Werneck | IC/UNICAMP |
| Ariane Machado Lima | EACH/USP |