PREDIÇÃO DE REINCIDÊNCIA DE CHAMADAS NO TELEATENDIMENTO COM APRENDIZADO DE MÁQUINA BASEADO NO COMPORTAMENTO DO CLIENTE

Resumo

O atendimento telefônico permanece como um dos principais canais de contato entre
clientes e empresas, especialmente em setores essenciais, como saneamento. Nesse contexto, a
reincidência de chamadas representa um desafio, pois eleva custos operacionais e compromete a
satisfação dos usuários. Este estudo buscou desenvolver um modelo preditivo de aprendizado de
máquina para classificação binária, com o objetivo de prever se um cliente realizará uma nova ligação
em até 30 minutos, a partir de dados históricos de uma central de atendimento. O processo envolveu
pré-processamento dos registros, criação de variáveis derivadas do comportamento dos clientes e
aplicação de algoritmos supervisionados, incluindo Random Forest, XGBoost, CatBoost e LightGBM.
A base foi dividida em 80% para treinamento e 20% para validação, com os três meses finais reservados
para teste. Os modelos foram avaliados por métricas clássicas de classificação (acurácia, precisão, recall,
F1-score e AUC). XGBoost, LightGBM e CatBoost apresentaram melhor desempenho (AUC > 0,83).
A engenharia de features gerou ganhos relevantes, sobretudo em Recall e AUC. Conclui-se que a
abordagem é estratégica para otimizar call centers, reduzir custos e aprimorar a experiência do cliente.