ESTUDO DE MODELOS DE PREDIÇÃO DE CANCELAMENTO DE SERVIÇOS DE TELEFONIA UTILIZANDO TÉCNICAS DE APRENDIZADO DE MÁQUINA

dc.contributor.advisorFlavio Tonidandel
dc.contributor.advisorLatteshttp://lattes.cnpq.br/5331230734386657
dc.contributor.authorGUILHERME MARTINS GONÇALVES DE OLIVEIRA
dc.contributor.authorJOÃO VICTOR SERRALHA
dc.date.accessioned2024-08-14T19:59:08Z
dc.date.available2024-08-14T19:59:08Z
dc.date.issued2020-12-09
dc.description.abstractUm dos pontos mais críticos, para empresas de telefonia, é a alta taxa de rotatividade dos clientes, e para atender às necessidades de sobrevivência no ambiente competitivo, a retenção de clientes existentes tornou-se um grande desafio. O estudo feito por Hanif (2019) mostra que devido ao avanço da tecnologia nos últimos anos, o ramo de telecomunicação foi uma das primeiras indústrias a investir em técnicas de aprendizado de máquina e de análise de dados para a prevenção da rotatividade de clientes. Porém, mesmo com os investimentos, a questão da rotatividade de clientes ainda é um grande problema nesse setor. Na pesquisa realizada por Saraswat e Tiwari (2018) no setor de telecomunicações, afirma-se que o custo de aquisição de um novo cliente é muito maior do que reter o existente. Nesse trabalho, foram comparados os desempenhos de três algoritmos distintos de aprendizado de máquina no contexto de predição de cancelamento de serviços em empresas de Telecom. Os algoritmos foram aplicados em uma base de dados com registros reais de uma empresa de telecomunicação. Os resultados foram utilizados para a construção de suas determinadas métricas, tendo como objetivo, avaliar o desempenho dos classificadores. Após o treinamento e validação dos modelos, foi possível chegar em uma conclusão de qual algoritmo produziu o melhor modelo nesse contexto e as possíveis razões para tal resultado
dc.format.extent55
dc.identifier.urihttps://repositorio.fei.edu.br/handle/FEI/5469
dc.language.isopt_BR
dc.rightsRestrito
dc.titleESTUDO DE MODELOS DE PREDIÇÃO DE CANCELAMENTO DE SERVIÇOS DE TELEFONIA UTILIZANDO TÉCNICAS DE APRENDIZADO DE MÁQUINA
dc.typeTrabalho de Conclusão de Curso
fei.date.entrega2020
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
TCC202___A2C.pdf
Tamanho:
799.1 KB
Formato:
Adobe Portable Document Format
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.75 KB
Formato:
Item-specific license agreed upon to submission
Descrição: