BERT Fuga/ChurnSentinel
Modelo BERT fine-tuned para detecção de indícios de fuga, fidelidade ou neutralidade em comentários de clientes B2B, treinado em português do Brasil para o contexto de Customer Success.
📝 Descrição
Este modelo foi treinado para analisar textos extraídos de interações comerciais, pesquisas NPS e resumos de relacionamento, classificando automaticamente o risco de "fuga" (churn), "fidelidade" ou "neutro".
Utiliza a arquitetura BERT e é especialmente ajustado para o domínio de SaaS, TI, e prestação de serviços.
⚡️ Tarefas
- Classificação de texto em três classes:
- fuga: Indícios claros de churn (migração, insatisfação explícita, perda de cliente, etc.)
- fidelidade: Indícios de satisfação, continuidade e baixo risco de churn
- neutro: Textos sem sinais claros para ambos os lados
🔤 Linguagem
- Treinado exclusivamente em português do Brasil (pt-br)
📂 Dados de Treinamento
- Origem: Textos reais de relacionamento, tickets, respostas de NPS, interações de Customer Success
- Volume: +7.000 exemplos anotados manualmente e enriquecidos com dados de cancelamento e históricos
- Desbalanceamento: Classes balanceadas manualmente no pré-processamento
🏷️ Labels
💻 Como usar
1from transformers import AutoTokenizer, AutoModelForSequenceClassification
2
3model = AutoModelForSequenceClassification.from_pretrained("ViniciusKanh/bert-fuga-churnsentinel")
4tokenizer = AutoTokenizer.from_pretrained("ViniciusKanh/bert-fuga-churnsentinel")
5
6texto = "Cliente testando plataforma concorrente e reduzindo escopo."
7inputs = tokenizer(texto, return_tensors="pt", truncation=True, max_length=512)
8outputs = model(**inputs)
9pred = outputs.logits.softmax(dim=1).argmax(dim=1).item()
10labels = ["fidelidade", "fuga", "neutro"]
11print(labels[pred])
💡 Exemplos
| Texto | Resultado Esperado |
|---|
| "Cliente migrando para Google." | fuga |
| "Cliente satisfeito, renovou contrato." | fidelidade |
| "Sem novidades no momento." | neutro |
| "Reduziram o número de usuários e questionaram o valor." | fuga |
| "Elogiou atendimento, pretende expandir." | fidelidade |
| "Avaliação neutra, sem novidades ou reclamações recentes." | neutro |
| "Aguardando diretoria para decidir migração." | fuga |
| "Cliente pediu upgrade de plano, está animado." | fidelidade |
| "Chamado resolvido, mas avaliará outros fornecedores." | fuga |
| "Tudo normal, projeto em andamento." | neutro |
📊 Métricas
-
Acurácia geral: 0.94
-
F1-Score (fuga): 0.91
-
F1-Score (fidelidade): 0.95
-
F1-Score (neutro): 0.86
-
Detalhes extras:
- Matriz de confusão e métricas detalhadas disponíveis sob demanda
- Validação cruzada estratificada (5-fold)
- Classes balanceadas manualmente no pré-processamento
📚 Citação
Se usar este modelo, cite:
1@misc{kanh2025bertfuga,
2 author = {Vinicius Kanh},
3 title = {BERT Fuga/ChurnSentinel: Modelo para detecção automática de fuga, fidelidade e neutralidade em clientes B2B},
4 year = {2025},
5 howpublished = {\url{https://huggingface.co/ViniciusKanh/bert-fuga-churnsentinel}}
6}
👤 Autor
Nome: Vinicius de Souza Santos
Usuário: ViniciusKanh
Especialidade: Engenharia de Computação, Data Science, Customer Success, Modelos Preditivos de Churn
Sobre o Autor:
Vinicius de Souza Santos é Engenheiro de Computação formado pelo IFSP, com mais de 7 anos de experiência em projetos de tecnologia, ciência de dados e implantação de soluções para retenção e satisfação de clientes. Atua como líder técnico em projetos de integração entre Data Warehouses, CRMs e modelos de Machine Learning aplicados à experiência do cliente (CX/CS).
-
Principais áreas:
- Inteligência Artificial aplicada ao Churn e NPS
- Análise preditiva de evasão e fidelização
- Desenvolvimento de APIs de IA
- Soluções personalizadas para Customer Success
-
Contato:
-
Projetos e Publicações Recentes:
- Senticore: API local para análise de sentimento em português
- ChurnSentinel: Detecção de fuga e fidelidade em clientes B2B
- Artigos científicos revisados por pares (Google Scholar)
Licença:
Este modelo e o código associado são distribuídos sob a licença MIT, permitindo uso acadêmico e comercial mediante atribuição.
Desenvolvido com dedicação por Vinicius Kanh para a comunidade de Customer Success e Data Science.
