INI-005
·SubmetidaPredicción de churn con modelo predictivo
Patrícia Souza · ComercialAI AnalyticsCriticidad MediaAutonomía: Sugiere acciones
71Overall
Evaluación automática
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: SíCustomer-facing: NoAcceso a producción: SíCompartición externa: No