19 dez 2024
10:00 Defesa de Mestrado Sala 85 do IC 2
Tema
Aprendizado Ensemble Baseado em Arquitetura Cognitiva para Previsão de Rotatividade em Tempo Real
Aluno
Sadeeq Olalekan Bello
Orientador / Docente
Marcelo da Silva Reis/Coorientador: Julio Cesar dos Reis
Breve resumo
A rotatividade de clientes continua sendo um problema urgente para empresas em serviços baseados em assinatura, telecomunicações e mercados on-line, onde reter clientes é vital para o sucesso a longo prazo. Prever a rotatividade ("churn"), principalmente em tempo real, apresenta desafios significativos devido à natureza dinâmica e complexa do comportamento do cliente. Os modelos preditivos tradicionais geralmente dependem de dados estáticos e regras fixas, o que limita sua capacidade de se adaptar aos padrões em constante mudança das ações do consumidor. Essa limitação dificulta a identificação rápida e precisa de clientes em risco. O principal desafio na previsão de rotatividade em tempo real está no processamento de fluxos de dados contínuos e no ajuste dinâmico de modelos para levar em conta as flutuações no comportamento do cliente, tudo isso mantendo alta precisão preditiva. O objetivo desta pesquisa foi o desenvolvimento e a avaliação de um sistema de previsão adaptável que pode processar efetivamente dados do cliente em tempo real e se ajustar dinamicamente às mudanças nos padrões de comportamento, mantendo alta precisão de previsão. Para atingir esse objetivo, propusemos e avaliamos uma arquitetura cognitiva que incorpora aprendizado "ensemble" dinâmico para previsão de rotatividade em tempo real. Nossa arquitetura, implementada por meio do Cognitive Systems Toolkit (CST), combina vários modelos de aprendizado de máquina cujas contribuições são ponderadas dinamicamente com base no desempenho passado. Avaliamos seis modelos de aprendizado de máquina (KNN, Regressão Logística, Árvore de Decisão, Floresta Aleatória, SVM e Naive Bayes) individualmente e em configurações de conjunto, para três conjuntos de dados de telecomunicações diferentes; esta análise comparou abordagens de conjunto estático versus dinâmico em vários blocos de dados e validou os resultados por meio de testes estatísticos usando o teste dos postos sinalizados de Wilcoxon. A validação entre conjuntos de dados confirmou a generalização e a robustez da arquitetura. Os resultados destacam a eficácia da combinação de arquiteturas cognitivas com aprendizado de conjunto dinâmico para abordar as complexidades da previsão de rotatividade de clientes em setores acelerados e orientados a dados.
Banca examinadora
Titulares:
| Marcelo da Silva Reis | IC/UNICAMP |
| Fabrício Martins Lopes | UTFPR |
| Ricardo Ribeiro Gudwin | FEEC/UNICAMP |
Suplentes:
| Marcos Medeiros Raimundo | IC/UNICAMP |
| Sérgio Nery Simões | IFES |