Análise exploratória e modelo preditivo para identificar clientes com risco de cancelamento em um banco de médio porte, propondo ações estratégicas de retenção baseadas em dados.
O Banco Interativo, uma instituição financeira de médio porte com mais de 250 mil correntistas, enfrentava um cenário preocupante: mais de 6.300 clientes haviam encerrado suas contas no último trimestre — um aumento de 27% em relação ao mesmo período do ano anterior.
A intensificação da concorrência com bancos digitais (Nubank, C6 Bank, Inter) e a transformação do perfil do consumidor bancário exigiam uma resposta baseada em dados para reverter a tendência de evasão.
Base robusta com atributos demográficos, comportamentais e transacionais:
| Variável | Tipo | Descrição |
|---|---|---|
| CreditScore | int | Pontuação de crédito do cliente |
| Geography | categórico | País de residência |
| Age | int | Idade do cliente |
| Tenure | int | Anos como cliente do banco |
| Balance | float | Saldo médio da conta |
| NumOfProducts | int | Número de produtos contratados |
| IsActiveMember | int | Acessou a conta nos últimos 30 dias |
| Complain | int | Reclamou nos últimos 2 anos |
| Satisfaction Score | int | Nível de satisfação (1 a 5) |
| Exited | int | Cancelou conta (variável alvo) |
Investigação das distribuições, correlações e padrões de comportamento entre clientes que cancelaram vs. os que permaneceram.
Identificação de perfis demográficos (idade, sexo, localização) e hábitos financeiros associados ao churn.
Segmentação de clientes por comportamento e risco, utilizando técnicas de Machine Learning não supervisionado.
Proposição de ações segmentadas para retenção, baseadas em evidências dos dados analisados.