Serviços e Assinaturas (Telecom, Fintech, Streaming, E-commerce)
Empresas que dependem de clientes recorrentes e desejam reduzir cancelamentos ou desistências.
Necessidade do cliente (explicação não técnica)
Toda empresa que vende por assinatura ou contrato recorrente sofre com cancelamentos. Manter clientes fiéis é mais barato do que conquistar novos.
O cliente (empresa) quer prever antecipadamente quem está prestes a cancelar, para poder agir e reter essas pessoas.
A solução esperada deve ajudar a:
identificar clientes com risco de churn (cancelamento);
priorizar ações de retenção (ofertas, contatos, bônus);
medir o impacto dessas ações ao longo do tempo.
Validação de mercado
A previsão de churn é uma das aplicações mais comuns e valiosas da ciência de dados em negócios modernos.
Empresas de telecom, bancos digitais, academias, plataformas de streaming e provedores de software usam modelos de churn para:
reduzir perdas financeiras;
entender padrões de comportamento de clientes;
aumentar o tempo médio de relacionamento (lifetime value).
Mesmo modelos simples já trazem valor, pois ajudam as empresas a direcionar esforços onde há maior risco de perda.
Expectativa para este hackathon
Público: alunos iniciantes em tecnologia, sem experiência profissional na área, mas que já estudaram Back-end com Java (APIs REST, persistência, testes) e Data Science (Python, Pandas, scikit-learn, ML supervisionado).
Objetivo: construir, em grupo, um MVP (mínimo produto viável) capaz de prever se um cliente vai cancelar e disponibilizar essa previsão via uma API funcional.
Escopo ideal: classificação binária (“vai cancelar” / “vai continuar”) com base em um dataset pequeno e limpo.
Entregáveis desejados
Notebook (Jupyter/Colab) do time de Data Science, contendo:
Exploração e limpeza dos dados (EDA);
Engenharia de features (ex.: tempo de uso, frequência de login, histórico de pagamento);
Treinamento de modelo supervisionado (ex.: Logistic Regression, Random Forest);
Métricas de desempenho (Acurácia, Precisão, Recall, F1-score);
Serialização do modelo (joblib/pickle).
Aplicação Back-End (API REST) do time de Java:
Endpoint que recebe informações de um cliente e retorna a previsão do modelo (Ex.: “Vai cancelar” / “Vai continuar”);
Integração com o modelo de DS (direta ou via microserviço Python);
Logs e tratamento de erros.
Documentação mínima (README)
Como executar o modelo e a API;
Exemplos de requisição e resposta (JSON);
Dependências e versões das ferramentas.
Demonstração funcional (Apresentação curta)
Mostrar a API em ação (via Postman, cURL ou interface simples);
Explicar como o modelo chega à previsão.
Funcionalidades exigidas (MVP)
O serviço deve expor um endpoint que retorna uma previsão sobre o cliente e a probabilidade associada a essa previsão. Exemplo: POST /predict: recebe JSON com dados do cliente e retorna: { "previsao": "Vai cancelar", "probabilidade": 0.76 }
Carregamento de modelo preditivo: o back-end deve ser capaz de acessar o modelo de churn (localmente ou via serviço DS).
Validação de entrada: verificar se todos os campos obrigatórios estão preenchidos.
Resposta estruturada: incluir previsão e probabilidade numérica.
Exemplos de uso: 3 requisições de teste (clientes com e sem cancelamento).
Documentação simples: um README explicando como rodar o projeto e reproduzir os testes.
Funcionalidades opcionais
Endpoint GET /stats: retorna estatísticas básicas, como: { "totalavaliados": 500, "taxachurn": 0.23 }
Persistência de previsões: armazenar clientes e resultados em banco (H2 ou PostgreSQL).
Dashboard simples (Streamlit ou HTML): visualiza clientes com maior risco.
Explicabilidade básica: incluir no retorno as 3 variáveis mais relevantes para o resultado (ex.: “tempo de contrato”, “atrasos em pagamentos”, “uso do app”).
Batch Prediction: endpoint que aceita lista de clientes (arquivo CSV).
Containerização: rodar o sistema completo com Docker/Docker Compose.
Testes automatizados: unitários e de integração simples (JUnit, pytest).
Orientações técnicas para alunos
Controlar o volume de dados e o uso de OCI, tendo em mente a quantidade de memória que o OCI suporta, cuidando dos dados utilizados para não extrapolar o Free-Tier de OCI.
Time de Data Science
Monte ou escolha um dataset próprio com informações de clientes (exemplo: tempo de contrato, atrasos em pagamento, uso do serviço, tipo de plano, etc.).
Utilize Python, Pandas e scikit-learn para análise e modelagem.
Escolher modelo simples de classificação (LogisticRegression, RandomForest);
Criar features intuitivas (ex.: tempo de cliente, número de compras recentes, média de gastos);
Salvar modelo e pipeline (joblib.dump) e garantir que possa ser carregado fora do notebook.
Time de Back-end
Construir uma API REST (Java + Spring Boot);
Receber JSON com dados de cliente e devolver a previsão;
Conectar-se ao modelo do DS:
via microserviço Python (FastAPI/Flask), ou
carregando modelo exportado em formato ONNX (opção mais avançada);
Validar entradas e retornar erros claros quando faltar informação.
Contrato de integração (JSON)
Recomendamos definir o contrato de integração logo no início do hackathon. Segue um exemplo:
{
"tempocontratomeses": 12,
"atrasospagamento": 2,
"usomensal": 14.5,
{
"previsao": "Vai cancelar",
PedroData Scientist
