Portafolio

INI-005

·Submetida

Predicción de churn con modelo predictivo

Patrícia Souza · ComercialAI AnalyticsCriticidad MediaAutonomía: Sugiere acciones
71Overall

Evaluación automática

Generada por Aieval · análisis opinado
Business Value78
AI Quality72
Security70
Privacy65

Dictamen

Caso de uso saludable, pero falta trabajo de gobernanza antes de producción. ML clásico es la elección correcta — no se justifica LLM aquí.

Aieval califica y recomienda — la decisión final siempre es humana.

Gaps

1
  • Política de retención de datos de entrenamiento no definida

Riesgos

2
  • Sesgo contra segmentos subrepresentados
  • Uso de PII requiere base legal documentada

Recomendaciones

3
  • Validar base legal (interés legítimo) con Privacidad
  • Auditoría de sesgo por segmento antes de producción
  • Documentar features y tarjeta del modelo

Discovery

Respuestas recolectadas durante el intake

Problema
Identificar clientes con alto riesgo de cancelación.
Objetivo
Anticipar churn en 60 días para acción proactiva.
Usuarios impactados
Equipo de CS (25 personas)
Proveedor / modelo
Modelo interno (XGBoost) · ML supervisado
Datos usados
Historial transaccional, Engagement de producto
Integraciones
Data Warehouse, CRM
KPIs
Recall · Lift sobre baseline · Reducción de churn
Costo estimado
US$ 60.000
Flags de riesgo
Usa PII: Customer-facing: NoAcceso a producción: Compartición externa: No