O ponto de partida
Em uma operação de telediagnóstico cardiológico que atende clientes B2B em todo o país, o cancelamento aparecia tarde demais: no momento do aviso formal. Sem antecipação, qualquer conversa de retenção já chegava em desvantagem — e cada cliente perdido carregava custo de aquisição, ciclo comercial e tempo de maturação que não voltam.
O desafio não era apenas prever quem sairia. Era entregar essa leitura de forma utilizável para o time comercial — com sinal claro do porquê de cada caso.
A abordagem
Construímos o modelo em ondas, somando dimensões do cliente a cada iteração — contrato, uso do serviço e relacionamento — H2O.ai sobre Microsoft Fabric para acelerar a fase de prova de conceito sem comprometer rigor analítico.
A cada onda, a acurácia avançou. A versão consolidada do modelo baseline ficou próxima de 80% de acurácia, validada com métricas complementares apropriadas para bases desbalanceadas (F1/F2), confirmando que o modelo capturava padrões reais e não ruído.
Score que vira ação
Mais importante do que o score em si foi a explainability por cliente, em SHAP: para cada caso de risco, o modelo aponta quais sinais mais pesaram naquela predição específica.
Isso muda a natureza da conversa comercial. Em vez de "esse cliente está em risco", o time recebe uma fila priorizada com leitura individual — o que torna a abordagem de retenção objetiva, personalizada e defensável internamente.
