Simulação de Churn em Escolas de Informática¶

Modelagem Baseada em Agentes com Calibração por Otimização Bayesiana¶

Registro: CAL-2026-002

Versão do Modelo: 2.0

Modo de Execução: Coorte Fechada

Data: Jun/2026

Autor: Fabio Polini

Sumário¶

1. Contexto e Motivação
2. O Problema do Churn em Escolas de Informática
3. Abordagem Metodológica
4. Arquitetura do Modelo ABM
5. Tecnologias Utilizadas
6. Processo de Calibração
7. Resultados e Validação
8. Análise de Sensibilidade
9. Observações
10. Conclusão e Próximos Passos

1. Contexto e Motivação¶

Escolas de informática operam em um mercado de alta competitividade e com um perfil de aluno heterogêneo — jovens em busca de primeiro emprego, adultos em requalificação profissional, profissionais migrando de carreira. Essa diversidade torna o comportamento de cancelamento (churn) difícil de prever com modelos estatísticos tradicionais.

A pergunta central que motivou este projeto foi:

É possível construir um modelo que reproduza a curva de retenção observada de uma coorte real de alunos, capturando não apenas o volume de cancelamentos mas a forma como eles se distribuem ao longo do tempo?

A resposta exigiu ir além de regressões e modelos de sobrevivência clássicos. O comportamento de churn não é uma função linear de variáveis independentes — ele emerge da interação entre perfis comportamentais distintos, condições financeiras, experiências de onboarding e o reforço psicológico que acontece conforme o aluno permanece mais tempo matriculado.

Embora o modelo de franquias de escolas de informática enfrente um declínio evidente — impulsionado por novas tecnologias como LLMs, fácil acesso à internet, familiaridade das novas gerações com o mundo digital e a concorrência de cursos online muito mais acessíveis —, o uso de simulações continua sendo uma ferramenta valiosa. As modelagens desenvolvidas nesse contexto podem ser perfeitamente adaptadas para ajudar a compreender o comportamento do cliente em diversas outras áreas de negócios.

2. O Problema do Churn em Escolas de Informática¶

2.1 Características do Mercado¶

O mercado de escolas de informática apresenta dinâmicas específicas que diferenciam o churn desse setor de outros mercados de educação:

• Janela de desistência precoce: uma parcela significativa dos cancelamentos ocorre nos primeiros 30 dias, frequentemente motivada por choque de expectativas — o aluno descobre que o conteúdo é mais técnico do que imaginava.
• Pico de fadiga intermediária: entre o segundo e quarto mês, alunos que superaram a fase inicial podem enfrentar desmotivação diante da complexidade crescente do conteúdo.
• Efeito de comprometimento tardio: alunos que chegam ao sexto mês tendem a permanecer até o fim, pois já internalizaram o investimento feito e percebem a proximidade da conclusão.
• Heterogeneidade de perfis: a convivência entre alunos impulsivos, disciplinados, orientados a carreira e financeiramente vulneráveis cria uma dinâmica emergente que não pode ser capturada por médias populacionais.
• Falta de organização: é comum que os alunos não reservem tempo extraclasse para os estudos, concentrando todo o aprendizado apenas nas aulas presenciais. Esse hábito dificulta o acompanhamento do ritmo da turma e gera um desânimo crescente.

2.2 Por Que Modelos Tradicionais São Insuficientes¶

Modelos de regressão de sobrevivência, como o Cox Proportional Hazards, assumem que os fatores de risco operam de forma independente e proporcional ao longo do tempo. No contexto de escolas de informática, essa suposição é violada sistematicamente:

• O risco financeiro de um aluno no mês 1 não é o mesmo que no mês 9, pois sua relação com o curso mudou.
• A influência de pares — ver colegas cancelando ou se formando — afeta a decisão individual de formas não lineares.
• O histórico de satisfação acumulado altera a tolerância do aluno a eventos negativos pontuais.

Essas características apontam para a necessidade de um modelo que simule agentes individuais com memória, perfis e interações — ou seja, uma Modelagem Baseada em Agentes.

3. Abordagem Metodológica¶

3.1 Modelagem Baseada em Agentes (ABM)¶

A Modelagem Baseada em Agentes (do inglês Agent-Based Modeling, ABM) é uma abordagem computacional em que entidades individuais — os agentes — são simuladas com regras de comportamento próprias. O comportamento coletivo emerge das interações entre esses agentes e com o ambiente, sem ser prescrito de forma top-down.

No contexto desta simulação:

• Cada agente representa um aluno matriculado.
• O ambiente representa a escola, com suas franquias, equipamentos e corpo docente.
• As regras de comportamento definem como cada aluno avalia sua situação diariamente e decide permanecer ou cancelar.
• A emergência é o padrão coletivo de retenção que resulta de milhares de decisões individuais simultâneas.

3.2 Modo de Coorte Fechada¶

A simulação opera no modo de coorte fechada: um grupo fixo de alunos entra simultaneamente no início da simulação, e o modelo acompanha sua trajetória por 390 dias (13 meses). Não há entrada de novos alunos durante o período. Esse design permite comparar diretamente a curva simulada com dados históricos de retenção de uma coorte real.

3.3 Calibração por Otimização Bayesiana¶

A parametrização inicial do modelo foi fundamentada em 25 anos de know-how prático na gestão financeira, pedagógica e administrativa de franquias de escolas de informática. Esses pesos empíricos provaram-se estimativas preliminares altamente precisas, servindo como uma base sólida para a calibração subsequente através de otimização bayesiana. O objetivo desse processo estatístico foi refinar finamente os valores — ajustando a magnitude de fatores específicos — para minimizar a diferença (RMSE) entre a curva de retenção simulada e a curva real observada nos dados históricos.

4. Arquitetura do Modelo ABM¶

4.1 AlunoAgent (n≈8.750)¶

Cada agente-aluno possui os seguintes atributos:

Atributos estáticos (definidos na inicialização): - perfil_comportamental: classifica o aluno em cinco tipos — impulsivo, disciplinado, frágil-financeiro, baixa-paciência e carreira - expectativa: nível inicial de expectativa sobre o curso (variável) - vulnerabilidade_financeira: propensão base a problemas financeiros

Atributos dinâmicos (evoluem ao longo da simulação): - problema_financeiro: pressão financeira acumulada - experiencia_real: qualidade percebida do curso, influenciada pela qualidade dos equipamentos e instrutores - gap_expectativa: diferença entre expectativa e experiência real - insatisfacao_duracao: fadiga acumulada com o tempo de matrícula - bonus_fidelizacao: comprometimento psicológico crescente com a permanência - dias_matriculado: contador de tempo no curso

4.2 Perfis Comportamentais¶

A distribuição de perfis foi calibrada para refletir o público típico de escolas de informática:

4.3 Cálculo do Risco Diário de Churn¶

A cada dia de simulação, cada agente calcula seu risco de cancelamento com base em quatro componentes principais:

1. Componente financeiro: pressão financeira acumulada ponderada pelo financeiro_factor
2. Componente de disponibilidade: conflito entre demandas de tempo externas e a carga do curso, ponderado pelo tempo_factor
3. Componente de satisfação: gap entre expectativa e experiência real, ponderado por um coeficiente de sensibilidade
4. Componente de fadiga: insatisfação com a duração do curso, especialmente relevante nos meses 2 a 5

O risco é então reduzido pelo bônus de fidelização — que cresce com o tempo de matrícula — e modificado pelo multiplicador de perfil comportamental.

4.4 Mecanismo de Sobrevivência Seletiva¶

Um aspecto crítico do modelo é o mecanismo de sobrevivência seletiva: à medida que o tempo avança, o multiplicador de risco dos perfis mais vulneráveis decai gradualmente. Um aluno impulsivo que permaneceu seis meses já demonstrou, pelo próprio comportamento, um nível de comprometimento que não é capturado pelo rótulo estático do perfil. O modelo reconhece isso atenuando o peso do perfil negativo com o tempo de matrícula.

Esse mecanismo é fundamental para reproduzir a desaceleração do churn nos meses finais — um padrão característico de coortes reais onde os mais frágeis já saíram e o que resta é uma população naturalmente mais resiliente.

4.5 Janela de Onboarding¶

Os primeiros dias de matrícula recebem tratamento especial. Um multiplicador de onboarding amplifica o risco de churn na fase inicial, capturando o fenômeno do choque de expectativas. O valor desse multiplicador foi refinado ao longo do processo de calibração:

• Versão inicial: × 0.4 (por 14 dias)
• Versão intermediária: × 0.2 (por 14 dias, expandido para 30 dias)
• Versão final (CAL-2026-002): × 0.1

A redução progressiva do multiplicador de onboarding revelou um efeito sistêmico: com menos evasão precoce, o modelo precisou de maior força de fidelização tardia para manter a forma correta da curva — o que se refletiu no aumento consistente do fidelizacao_factor ao longo das versões.

4.6 FranquiaAgent (n=25)¶

Representa cada unidade da rede de escolas.

4.7 Escala Espaço-Temporal¶

5. Tecnologias Utilizadas¶

5.1 Mesa — Framework ABM em Python¶

O núcleo da simulação foi construído com Mesa, o principal framework de Modelagem Baseada em Agentes para Python. Mesa fornece a infraestrutura para criação de agentes, ambientes (grids ou redes) e schedulers que controlam a ordem de ativação dos agentes a cada step da simulação.

A escolha do Mesa foi motivada por sua flexibilidade para implementar regras comportamentais complexas e pela facilidade de coleta de dados por agente e por step, essencial para análise da curva de retenção ao longo do tempo.

5.2 Optuna — Otimização Bayesiana¶

A calibração dos parâmetros foi conduzida com Optuna, uma biblioteca de otimização automática de hiperparâmetros que implementa o algoritmo TPE (Tree-structured Parzen Estimator). O TPE é uma forma de otimização bayesiana que constrói um modelo probabilístico da função objetivo a partir dos trials já executados, direcionando a busca para regiões promissoras do espaço de parâmetros.

Diferente de uma busca em grade (grid search) ou aleatória, o Optuna aprende com cada trial e concentra progressivamente os esforços nas regiões com maior potencial de melhora — o que é essencial dado o alto custo computacional de cada simulação ABM.

5.3 Joblib — Paralelização¶

Cada avaliação do Optuna exige rodar a simulação múltiplas vezes com seeds diferentes para obter uma estimativa estável do RMSE (reduzindo o ruído estocástico). O Joblib foi utilizado para paralelizar essas execuções, distribuindo as seeds entre os núcleos disponíveis e reduzindo significativamente o tempo total de calibração.

5.4 Ambientes de Execução¶

A calibração foi conduzida em três ambientes independentes para validação cruzada dos resultados:

A idéia é rodar as simulações em paralelo. Por padrão a biblioteca Mesa não utiliza CUDA, dependendo inteiramente da CPU. Existe a possibilidade de usar CUDA através do uso de outras bibliotecas, mas seria necessário reescrever todo o código, o que é inviável por enquanto.Os ambientes utilizados não geram qualquer vantagem/desvantagem nos cálculos. O tempo de execução pode variar.

5.5 Stack Completa¶

Python 3.x
├── mesa              # Framework ABM
├── optuna            # Otimização bayesiana (TPE)
├── joblib            # Paralelização de seeds
├── numpy             # Operações numéricas
├── pandas            # Manipulação de dados e histórico de trials
└── json              # Serialização dos artefatos de calibração

6. Processo de Calibração¶

6.1 Parâmetros Calibrados¶

Ao invés de ajustar dezenas de fatores, optou-se por criar hiperparametros. O Optuna otimizou quatro fatores multiplicativos que escalam os pesos base definidos no código:

6.2 Função Objetivo¶

A função objetivo é o RMSE entre a curva de retenção simulada (média de 10 seeds de calibração) e a curva target real, calculado nos 13 pontos mensais (M00 a M12):

RMSE = √[ (1/13) × Σ (retenção_simulada_mês_i − retenção_real_mês_i)² ]

6.3 Estratégia de Boundaries¶

Um dos aprendizados centrais do processo foi a relação entre os boundaries do espaço de busca e a qualidade da convergência.

Atenção aos boundaries: estreitar os boundaries prematuramente, com base na intuição sobre os pesos corretos, eliminou a região onde a solução ótima existia. O resultado foi um piso de RMSE de ~21 pp que o Optuna não conseguia superar independentemente do número de trials.

Correção aplicada: ao relaxar os boundaries para 0.1–2.0 e deixar o Optuna explorar livremente, a solução emergiu nas primeiras dezenas de trials, com RMSE caindo de ~24 pp para ~3 pp em menos de 15 rodadas.

6.4 Trajetória de Melhora¶

6.5 Configuração Final¶

A rodada definitiva que gerou o CAL-2026-002 foi executada com:

• Trials: 1.000
• Seeds de calibração: 10 (1001 a 10010)
• Seeds de validação: 100
• Paciência de early stopping: 160 trials sem melhora > 0.05 pp
• Boundaries: 0.1 a 2.0 para todos os fatores
• Multiplicador de onboarding 7 dias: × 0.1

7. Resultados e Validação¶

7.1 Baseline Oficial — CAL-2026-002¶

{
  "rmse_final": 0.617,
  "best_factors": {
    "financeiro_factor": 2.286,
    "tempo_factor": 0.820,
    "onboarding_factor": 0.915,
    "fidelizacao_factor": 1.899
  },
  "metricas_robustez_100_seeds": {
    "rmse_oficial_baseline": 0.755,
    "retencao_m12_media": 68.93,
    "volatilidade_m12": 1.85
  }
}

7.2 Curva Simulada vs. Target¶

O erro é positivo e decrescente nos meses finais — o modelo tende a reter ligeiramente mais alunos do que o observado nos meses 4 a 6, convergindo para o target com precisão milimétrica a partir do M07. O erro nunca ultrapassa 1.3 pp em nenhum ponto da curva.

7.3 Interpretação dos Fatores Calibrados¶

Os fatores do CAL-2026-002 revelam o que o sistema emergente identificou como os pesos reais dos mecanismos:

financeiro_factor = 2.286 — o fator mais alto da série. Com o multiplicador de onboarding reduzido (menos evasão precoce explosiva), o risco financeiro nos meses intermediários e tardios precisou de mais peso para manter a forma da curva. O sistema revelou que o componente financeiro base estava subestimado para o perfil desta população.

fidelizacao_factor = 1.899 — o segundo mais alto, e o mais estável entre todos os ambientes testados. A fidelização é o mecanismo dominante de retenção tardia — cada redução no onboarding exigiu proporcionalmente mais força de fidelização para manter a curva achatada nos meses finais.

tempo_factor = 0.820 — abaixo de 1.0, indicando que o componente de disponibilidade de tempo estava superestimado no modelo base. O Optuna consistentemente preferiu valores abaixo de 1.0 para este fator em todas as rodadas de alta performance.

onboarding_factor = 0.915 — próximo à neutralidade (1.0), sugerindo que o multiplicador de onboarding base, após o ajuste do coeficiente de 7 dias, está bem calibrado. O fator de escala não precisa compensar muito.

7.4 Envelope de Robustez¶

O teste de robustez com 100 seeds confirma que o baseline não é fruto de coincidência estocástica:

O envelope de ±1.85 pp contém o target real em todos os meses da curva, o que é o critério mais rigoroso de validade: não apenas o modelo reproduz o valor médio, mas a incerteza estocástica natural da simulação é menor do que o afastamento do target.

7.5 Importância dos Fatores (Correlação com RMSE)¶

7.6 Janelas Ótimas¶

7.7 Principais Descobertas Comportamentais¶

1. Fidelização é o fator mais crítico - Alunos que passam dos primeiros meses dificilmente cancelam.
2. Problemas financeiros impactam muito - O modelo calibrou este fator em 2.29x o default.
3. Falta de tempo não é desculpa - O fator tempo calibrou para 0.82x, indicando que alunos engajados arrumam tempo.
4. Marketing nos primeiros 7 dias foi reduzido - O parâmetro foi ajustado de 0.4 para 0.1, reduzindo arrependimento pós-compra.

7.8 Validação e Robustez¶

8. Análise de Sensibilidade¶

8.1 Metodologia¶

A análise de sensibilidade foi conduzida sobre o histórico completo de trials da rodada final (204 trials), segmentando os resultados em trials com RMSE < 2 pp (região de alta performance) para identificar os padrões de convergência.

8.2 Importância Relativa dos Fatores¶

A correlação de cada fator com o RMSE, calculada sobre os trials com RMSE < 2 pp, revela a hierarquia de importância:

8.3 Equifinalidade¶

A análise revelou um fenômeno característico de sistemas emergentes chamado equifinalidade: múltiplas combinações de parâmetros produzem o mesmo comportamento coletivo. Especificamente, financeiro_factor e onboarding_factor apresentaram correlação negativa de ~−0.4 a −0.57 entre si nos trials de alta performance — quando um sobe, o outro tende a cair para compensar.

Isso tem uma implicação prática importante: os fatores individuais (financeiro, tempo, onboarding) não podem ser interpretados isoladamente como "o peso real" do mecanismo correspondente. O que é identificável com confiança é a combinação deles e o RMSE resultante.

Exceção: fidelizacao_factor mostrou correlação próxima de zero com os demais fatores em todas as rodadas — é o único parâmetro identificável de forma independente, e portanto o único com interpretação comportamental direta confiável.

8.4 Convergência do Optuna¶

O Optuna encontrou a região ótima antes do trial 60 em todas as rodadas com boundaries amplos. Os trials subsequentes serviram para refinar a posição dentro da região já identificada. Os fatores financeiro e fidelização estabilizaram cedo; tempo e onboarding continuaram com leve oscilação até o final — consistente com a baixa sensibilidade relativa desses fatores.

9. Observações¶

9.1 Sobre a Relação com o Optuna¶

Ao tratar Optuna como um validador de intuições, estreitando os boundaries na direção que parecia correta com base no conhecimento de domínio, resultou em um piso de RMSE irrecuperável (~21 pp) que consumiu dezenas de rodadas antes de ser identificado como um problema de espaço de busca, não de estrutura do modelo.

Princípio correto estabelecido: o Optuna é um instrumento de escuta, não de confirmação. O conhecimento de domínio entra na estrutura causal do código. Os pesos emergem da calibração.

9.2 Sobre ABM e Não-Linearidade¶

Um modelo ABM não é uma regressão sofisticada. O comportamento coletivo não é dedutível das regras individuais — ele emerge das interações. Um financeiro_factor = 2.3 não significa "o fator financeiro causa 230% do churn". Significa que, neste sistema com este conjunto de agentes interagindo, esse peso produz o comportamento emergente correto. A emergência amplifica ou atenua cada mecanismo de formas que não são intuíveis a priori.

9.3 Sobre a Estrutura vs. os Pesos¶

A distinção mais importante do projeto: erros de estrutura (mecanismos ausentes, como a sobrevivência seletiva) não podem ser corrigidos por calibração. O Optuna pode otimizar os pesos de uma estrutura incorreta e ainda assim não convergir. A sequência correta é:

1. Garantir que a forma da curva simulada se aproxima da real (estrutura correta)
2. Só então calibrar os pesos (Optuna)
3. Validar com múltiplas seeds
4. Estreitar boundaries apenas com base nos dados dos trials, nunca na intuição

9.4 Sobre o Processo de Validação¶

O teste de robustez com 100 seeds é inegociável antes de registrar qualquer baseline. Um RMSE de 0.62 pp com 10 seeds pode ser sorte estocástica. Um RMSE de 0.755 pp com 100 seeds é evidência de que o modelo reproduz o comportamento sistematicamente.

10. Conclusão e Próximos Passos¶

10.1 O que foi alcançado¶

O CAL-2026-002 representa um baseline de alta qualidade para simulação de churn em escolas de informática:

• Precisão: RMSE de 0.755 pp em 100 seeds — erro médio inferior a 1 ponto percentual por mês
• Estabilidade: volatilidade de ±1.85 pp no M12 — a menor da série de calibrações
• Validade: o envelope estocástico contém o target real em todos os 13 pontos mensais
• Interpretabilidade: os fatores calibrados têm leitura comportamental coerente com o mercado de escolas de informática

Os principais insights comportamentais extraídos do modelo são:

1. Fidelização é o fator mais crítico - Invista em reter alunos após os primeiros meses.
2. Problemas financeiros impactam significativamente - Considere políticas de flexibilização financeira.
3. Falta de tempo não é o principal driver - Alunos engajados arrumam tempo.
4. Marketing agressivo nos primeiros dias - Reduza expectativas irreais para diminuir arrependimento pós-compra.

10.2 O que o modelo não faz¶

É importante delimitar o escopo do modelo para uso correto:

• O modelo não prediz churn individual — ele simula padrões coletivos de coortes
• Os fatores calibrados não são coeficientes causais no sentido econométrico — são pesos emergentes de um sistema de interação
• A equifinalidade nos fatores intermediários (financeiro, tempo, onboarding) impede interpretação isolada de cada um
• O modelo foi calibrado para uma coorte específica — generalização para populações muito diferentes exige recalibração

10.3 Próximos Passos¶

Com o baseline CAL-2026-002 registrado, as simulações de intervenção tornam-se possíveis. Uma intervenção é considerada efetiva apenas se mover a curva de retenção além do envelope estocástico de ±1.85 pp.

Intervenções prioritárias para simulação:

1. Programa de suporte financeiro nos primeiros 90 dias: redução do problema_financeiro nos meses M01–M03; espera-se impacto direto via financeiro_factor = 2.286
2. Reforço de onboarding nas duas primeiras semanas: dado o onboarding_factor próximo da neutralidade, o impacto deve ser moderado — hipótese a ser testada
3. Programa de marcos de aprendizado (milestones): mecanismo de redução da insatisfacao_duracao ao atingir módulos — impacto esperado nos meses M03–M06
4. Ação de fidelização no M05–M06: dado que fidelizacao_factor = 1.899 é o parâmetro mais sensível, intervenções que aumentem o comprometimento psicológico nesse ponto têm potencial de impacto máximo

Cada simulação de intervenção deve ser executada com as mesmas 100 seeds de validação e comparada ao baseline via teste de significância estatística, usando a distribuição de resultados como referência.

Apêndice A — Parâmetros Base do Modelo¶

base_sliders_config = {
    "modo_calibracao": False,
    "populacao_cidade": 12000000,
    "taxa_potencial_alunos": 0.05,
    "numero_franquias": 25,  # ESCALA: 25 escolas
    "capacidade_total_franquia": 350,  # ESCALA: 350 alunos
    "absorcao_mensal_franquia": 100,
    "ocupacao_inicial_pct": 100,
    "marketing_agressividade_min": 50,
    "marketing_agressividade_max": 70,
    "peso_marketing_conversao": 0.6,
    "peso-reputacao-conversao": 0.5,
    "qualidade_professor_min": 50,
    "qualidade_professor_max": 90,
    "qualidade_didatica_min": 50,
    "qualidade_didatica_max": 90,
    "qualidade_equipamento_min": 50,
    "qualidade_equipamento_max": 90,
    "prob-problema_financeiro-leve": 6.0,
    "prob-problema_financeiro-grave": 0.8,
    "prob-sem-tempo": 5.0,
    "impacto-financeiro-leve": 3,
    "impacto-financeiro-grave": 20,
    "intervalo-aulas": 7,
    "bonus-presenca": 2,
    "penalidade-falta": 4,
    "prob-desconto": 5.0,
    "impacto-desconto": 20,
    "prob-bolsa": 1.0,
    "impacto-bolsa": 40,
    "peso-satisfacao-churn": 0.25,
    "peso-financeiro-churn": 0.6,
    "peso-tempo-churn": 0.4,
    "peso-gap-churn": 0.35,
    "peso-frequencia-churn": 0.3,
    "multiplicador-onboarding": 1.25,
    "reputacao_base": 50,
    "bonus-fidelizacao-max": 35,
    "taxa-fidelizacao-dia": 0.05,
    "novos_prospects_mes": 30,
    "fadiga_baixa_paciencia": 0.06,
    "fadiga_impulsivo": 0.04,
    "fadiga_fragil_financeiro": 0.025,
    "fadiga_disciplinado": 0.01,
    "fadiga_carreira": 0.01,
}

Apêndice B — Top 10 ùltima Calibração¶

1. Local (Target Inicial, multiplicador base 1.25)¶

• Melhor Trial: 123
• RMSE: 0.617

Apêndice C — Análise de Sensibilidade Completa¶

Baseado no histórico de 204 trials da calibração final.¶

Distribuição Geral do RMSE¶

• Melhor RMSE: 0.617 (Trial 123)
• Pior RMSE: 17.75 (Trial 5)
• RMSE médio: 2.23
• Desvio padrão: 2.81

Sensibilidade por Fator¶

1. Fator Financeiro (range efetivo: 1.51 - 2.50)¶

2. Fator Tempo (range efetivo: 0.50 - 1.20)¶

3. Fator Onboarding (range efetivo: 0.80 - 1.50)¶

4. Fator Fidelização (range efetivo: 1.20 - 1.90)¶

Correlações entre os fatores¶

1. Correlação com o Desempenho (RMSE_Score)¶

• Fator_Fidelizacao (r ≈ -0.77): Apresenta uma forte correlação negativa com o erro (RMSE_Score). Isso indica que valores mais altos desse fator estão fortemente associados a uma redução expressiva no erro do modelo, sugerindo que ele é uma das variáveis mais críticas para a calibração.

• Fator_Onboarding (r ≈ +0.30): Mostra uma correlação positiva moderada. Valores maiores neste fator tendem a estar associados a aumentos no RMSE_Score.

• Fator_Financeiro (r ≈ -0.16) e Fator_Tempo (r ≈ -0.10): Apresentam correlações negativas fracas com o erro, indicando um impacto menos linear direto isoladamente sobre o resultado do score.

2. Correlação Entre os Fatores¶

• Fator_Onboarding e Fator_Fidelizacao (r ≈ -0.35): Possuem uma correlação negativa moderada, indicando que rodadas com valores mais altos de onboarding tendem a registrar valores ligeiramente menores de fidelização.

• Fator_Onboarding e Fator_Tempo (r ≈ -0.31): Também mostram uma relação inversa moderada.

• Fator_Financeiro e Fator_Onboarding (r ≈ -0.22): Relação negativa fraca.

Janelas ótimas¶

Evolução da qualidade por fase¶

Trabalhos Futuros¶

1. Generalização temporal - Criar "ano_factor" para simular diferentes anos (1994-2024).
2. Generalização regional - Calibrar para diferentes estados/ capitais.
3. Sazonalidade - Adicionar efeitos de férias, feriados, início do ano.
4. Políticas de retenção - Simular intervenções (descontos, programas de fidelidade).
5. Dashboard interativo - Interface para tomadores de decisão.

Referências¶

• Grimm, V., & Railsback, S. F. (2005). Individual-based modeling and ecology. Princeton University Press.
• Railsback, S. F., & Grimm, V. (2019). Agent-based simulation platforms. Journal of Artificial Societies and Social Simulation.
• Optuna: A hyperparameter optimization framework (https://optuna.org)
• Mesa: Agent-based modeling in Python (https://mesa.readthedocs.io)

Contato¶

Para perguntas, sugestões ou colaborações:

• Email: [[email protected]]
• GitHub: [Este Repositório é Privado]

Documentação gerada em Junho de 2026