Aprimorando a Retenção de Clientes através da Seleção de Recursos e Classificação XGBoost para Previsão de Churn

O churn de clientes continua sendo um desafio significativo e urgente tanto para grandes empresas quanto para negócios em diversos setores. Particularmente no setor bancário, onde a receita é diretamente influenciada pela retenção de clientes, há um esforço conjunto para aprimorar métodos preditivos para identificar potenciais churn. Este artigo explora diferentes algoritmos de aprendizado de máquina (ML) empregados na construção de um modelo de churn para auxiliar operadores bancários a prever clientes em risco de churn, utilizando um número mínimo de atributos e visando alcançar boa precisão. A pesquisa aprofunda-se em resultados experimentais para comparar a eficácia de várias técnicas, identificando o modelo que melhor prevê a perda de clientes no setor bancário no final. Este estudo utiliza seleção de recursos e o algoritmo XGBoost para selecionar atributos com base em suas classificações.