Título: Aprendizado de Máquina na Predição de Evasão em Academias: Modelos e Estratégias
Autores: João Victor Dias Gomes, Rogerio Martins Gomes & Bruno André Santos
Resumo: Este estudo investiga a aplicação de técnicas de aprendizado de máquina na previsão de evasão de clientes em academias. Utilizando um conjunto de dados com 4.000 registros de clientes, foram avaliados seis algoritmos de classificação supervisionada (Decision Tree, Logistic Regression, SVM, Random Forest, XGBoost e Neural Networks), combinados com quatro métodos de seleção de atributos (InfoGain, mRMR, Forward Selection e PCA). A validação cruzada foi aplicada para garantir o rigor experimental e o ajuste de hiperparâmetros via Optuna foi usado visando melhorar as soluções dos modelos. Os resultados mostraram que os atributos mais relevantes para a previsão de evasão foram a frequência de uso, o tempo de associação e a idade do cliente. A Rede Neural apresentou o melhor desempenho geral (acurácia de 95%, revocação de 89%, AUC = 0,931), enquanto o XGBoost destacou-se em precisão (96%) e F1-score (91%). Entre os métodos de seleção, o InfoGain foi o mais eficiente, reduzindo a dimensionalidade sem perda de desempenho. Os resultados evidenciam o potencial de modelos preditivos na antecipação do comportamento de evasão, oferecendo subsídios para estratégias de retenção mais assertivas e orientadas por dados.
Palavras-chave: churn; machine learning; feature selection; gyms; prediction; neural networks; XGBoost.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1173885
Artigo em PDF: CBIC_2025_paper1173885.pdf
Arquivo BibTeX:
CBIC_2025_1173885.bib