
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Siqueira, Hugo Valadares | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-1278-4602 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/6904980376005290 | - |
| Autor(es): dc.contributor | Sanches, Danilo Sipoli | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-8972-5221 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/6377657274398145 | - |
| Autor(es): dc.contributor | Bovo, Alessandro Botelho | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0001-5863-9032 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/5096294141072886 | - |
| Autor(es): dc.contributor | Soares, Anderson da Silva | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-2967-6077 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/1096941114079527 | - |
| Autor(es): dc.contributor | Sanches, Danilo Sipoli | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-8972-5221 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/6377657274398145 | - |
| Autor(es): dc.contributor | Trojan, Flavio | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0003-2274-5321 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/1688457940211697 | - |
| Autor(es): dc.contributor | Siqueira, Hugo Valadares | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-1278-4602 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/6904980376005290 | - |
| Autor(es): dc.creator | Tanaka, Sergio Akio | - |
| Data de aceite: dc.date.accessioned | 2026-08-11T10:57:20Z | - |
| Data de disponibilização: dc.date.available | 2026-08-11T10:57:20Z | - |
| Data de envio: dc.date.issued | 2026-06-08 | - |
| Data de envio: dc.date.issued | 2026-06-08 | - |
| Data de envio: dc.date.issued | 2026-04-14 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/40531 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1185586 | - |
| Descrição: dc.description | This study addresses member churn in a Brazilian agro-industrial cooperative by operationalizing a leakage-aware, governance-aligned machine-learning protocol within the organization’s Customer Relationship Management (CRM) system. Using real-world CRM data under confidentiality constraints, we followed a KDD-based workflow. This workflow includes: (i) multisource integration; (ii) targeted preprocessing with explicit handling of severe class imbalance via undersampling; (iii) a unified validation scheme with stratified cross-validation, hyperparameter search, and controlled AutoML benchmarking; (iv) comparison of tabular learners (Random Forest, XGBoost, and Support Vector Machine) and a voting ensemble; and (v) SHAP-based explainability to support transparent decision-making. Class rebalancing substantially improved minority-class performance; for instance, the “Inactive” recall increased from 0.27 to 0.74 with SVM. Across ten folds, AutoML achieved competitive mean ROC-AUC (0.8844), followed by XGBoost (0.8690) and Random Forest (0.8660); global metrics supported operational feasibility (accuracy 0.79-0.80; ROC-AUC up to 0.8876), while the ensemble delivered comparable discrimination (ROC-AUC 0.8845) with a modest precision gain. SHAP analyses yielded business-coherent drivers and enabled actionable, instance-level communication in the CRM. The resulting microservices-based module exposes ranked churn propensities and explanations in dashboards for risk stratification and prioritization of retention actions. Overall, the work provides an interpretable, reproducible, and production-ready methodological blueprint for predictive CRM in seasonal cooperative environments under governance and confidentiality constraints. | - |
| Descrição: dc.description | Este estudo aborda a evasão (churn) de cooperados em uma cooperativa agroindustrial brasileira por meio da operacionalização de um protocolo de aprendizado de máquina alinhado à governança e livre de vazamento de dados (leakage-aware) dentro do sistema de Customer Relationship Management (CRM) da organização. Utilizando dados reais de CRM sob restrições de confidencialidade, seguimos um fluxo de trabalho baseado em KDD. Esse fluxo inclui: (i) integração de múltiplas fontes de dados; (ii) pré-processamento direcionado com tratamento explícito do severo desbalanceamento de classes por meio de undersampling; (iii) um esquema unificado de validação com validação cruzada estratificada, busca de hiperparâmetros e benchmarking controlado com AutoML; (iv) comparação de modelos tabulares (Random Forest, XGBoost e Support Vector Machine) e um ensemble por votação; e (v) explicabilidade baseada em SHAP para apoiar a tomada de decisão transparente. O rebalanceamento das classes melhorou substancialmente o desempenho na classe minoritária; por exemplo, o recall da classe “Inativo” aumentou de 0,27 para 0,74 com o SVM. Ao longo de dez dobras (folds), o AutoML alcançou média competitiva de ROC-AUC (0,8844), seguido por XGBoost (0,8690) e Random Forest (0,8660); métricas globais sustentaram a viabilidade operacional (acurácia de 0,79-0,80; ROC-AUC de até 0,8876), enquanto o ensemble apresentou discriminação comparável (ROC-AUC 0,8845) com ganho modesto em precisão. As análises com SHAP identificaram fatores coerentes com o contexto de negócio e possibilitaram comunicação acionável em nível individual dentro do CRM. O módulo resultante, baseado em microserviços, disponibiliza propensões de churn ranqueadas e respectivas explicações em dashboards, permitindo estratificação de risco e priorização de ações de retenção. De modo geral, o trabalho fornece um arcabouço metodológico interpretável, reprodutível e pronto para produção para CRM preditivo em ambientes cooperativos sazonais, sob restrições de governança e confidencialidade. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Ponta Grossa | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia de Produção | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | https://creativecommons.org/licenses/by/4.0 | - |
| Palavras-chave: dc.subject | Cooperativas | - |
| Palavras-chave: dc.subject | Clientes - Contatos | - |
| Palavras-chave: dc.subject | Aprendizado do computador | - |
| Palavras-chave: dc.subject | Governança corporativa | - |
| Palavras-chave: dc.subject | Cooperative societies | - |
| Palavras-chave: dc.subject | Customer relations | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Corporate governance | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | - |
| Palavras-chave: dc.subject | Engenharia/Tecnologia/Gestão | - |
| Título: dc.title | Abordagem de CRM orientada por aprendizado de máquina para identificar evasão de cooperados em uma cooperativa agroindustrial brasileira: estudo de caso prático | - |
| Título: dc.title | A machine learning-driven CRM approach to identifying member churn in a Brazilian agro-industrial cooperative: a practical case study | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: