INI-005
·SubmetidaPrevisão de churn com modelo preditivo
Patrícia Souza · ComercialAI AnalyticsCriticidade MédiaAutonomia: Sugere ações
71Overall
Avaliação automática
Business Value78
AI Quality72
Security70
Privacy65
Parecer
Caso de uso saudável, mas há trabalho de governança a fazer antes do uso em produção. ML clássico é a escolha correta — não justifica LLM aqui.
O Aieval qualifica e recomenda — a decisão final é sempre humana.
Gaps
1- Política de retenção dos dados de treino não definida
Riscos
2- Viés contra segmentos sub-representados
- Uso de PII requer base legal documentada
Recomendações
3- Validar base legal (legítimo interesse) com Privacidade
- Auditoria de viés por segmento antes de produção
- Documentar features e cartão do modelo
Discovery
Respostas coletadas durante o intake
- Problema
- Identificar clientes com alto risco de cancelamento.
- Objetivo
- Antecipar churn em 60 dias para ação proativa.
- Usuários impactados
- Time de CS (25 pessoas)
- Fornecedor / modelo
- Modelo interno (XGBoost) · ML supervisionado
- Dados usados
- Histórico transacional, Engajamento de produto
- Integrações
- Data Warehouse, CRM
- KPIs
- Recall · Lift sobre baseline · Redução de churn
- Custo estimado
- R$ 60.000
- Flags de risco
- Usa PII: SimCustomer-facing: NãoAcesso a produção: SimCompartilhamento externo: Não