ChurnInsight — Previsão de Cancelamento de Clientes

B-Equipo 05-Data Science
Fintech
Hackathon ONE II - Brasildic 2025 – ene 2026

Demo Day

Necesidad del negocio

O desafio do ChurnInsight consiste em criar uma solução que preveja se um cliente está propenso a cancelar um serviço (churn).

O objetivo é que o time de Data Science desenvolva um modelo preditivo e que o time de Back-end construa uma API para disponibilizar essa previsão a outros sistemas, permitindo que o negócio aja antes que o cliente decida sair.

Exemplo: uma fintech quer saber, com base nos hábitos de uso e histórico de pagamento, quais clientes têm alta probabilidade de evasão. Com essa informação, o time de marketing pode oferecer serviços personalizados e o time de suporte pode agir preventivamente.

Lo que se le pidió al equipo

Empresas que dependem de clientes recorrentes e desejam reduzir cancelamentos ou desistências.

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)