Estratégias para Mitigação de Churn de Clientes com Sistemas de Recomendação de Atendentes

Será defendida no dia 6 de maio de 2026, às 09:00 horas, por videoconferência, a Tese de Doutorado intitulada “Estratégias para Mitigação de Churn de Clientes com Sistemas de Recomendação de Atendentes ”, do candidato ao título de Doutor em Computação – Adolpho Olimpio dos Santos Filho.

Link para defesa: https://meet.google.com/bex-judp-tad 

Resumo:

As operadoras de telecomunicações enfrentam pressão crescente devido às altas taxas de cancelamento de assinaturas de internet residencial, que impactam diretamente a receita e a eficiência operacional. Estratégias eficazes de retenção exigem a identificação dos fatores que levam ao cancelamento e a oferta de um atendimento personalizado e contextualizado. Inicialmente, esta Tese apresenta uma abordagem heurística que sugere a escolha do grupo de atendentes mais adequado para cada perfil de cliente e respectivo motivo de cancelamento, baseada na análise de padrões históricos de retenção. Em seguida, o trabalho avança para uma abordagem mais sofisticada ao propor o SAMBA, um sistema de seleção de atendentes baseado em aprendizado por reforço e no algoritmo Advantage Actor-Critic – A2C, que visa mitigar o cancelamento de clientes. Utilizando dados operacionais reais, o modelo aprende uma política ótima para selecionar dinamicamente o agente de atendimento mais eficaz para cada perfil de cliente e respectivo motivo de cancelamento. Os resultados experimentais demonstram que a abordagem proposta, baseada em A2C, se adapta a padrões comportamentais complexos e não estacionários, superando consistentemente estratégias estáticas ou heurísticas. O sistema alcançou uma taxa de retenção normalizada máxima de 96,21\%, excedendo a linha de base da Política Aleatória em 10 a 40 pontos percentuais em todas as configurações, o que destaca seu potencial prático para melhorar a mitigação do cancelamento de clientes em call centers de banda larga por meio da alocação dinâmica de recursos humanos orientada por dados.

Abstract:

Telecommunication providers face increasing pressure due to high residential broadband churn rates, which directly impact revenue and operational efficiency. Effective retention strategies require identifying the factors that lead to customer cancellation and delivering personalized and contextualized customer service. Initially, this thesis presents a heuristic approach that suggests the most suitable group of attendants for each customer profile and respective cancellation reason, based on the analysis of historical retention patterns. The work then advances to a more sophisticated approach by proposing SAMBA, an attendant selection system based on reinforcement learning and the Advantage Actor-Critic – A2C algorithm, designed to mitigate customer churn. Using real operational data, the model learns an optimal policy to dynamically select the most effective service agent for each customer profile and cancellation reason. Experimental results demonstrate that the proposed A2C-based approach adapts to complex and non-stationary behavioral patterns, consistently outperforming static or heuristic strategies. The system achieved a maximum normalized retention rate of 96.21\%, exceeding the Random Policy baseline by 10 to 40 percentage points across all evaluated configurations, highlighting its practical potential to improve churn mitigation in broadband call centers through data-driven dynamic allocation of human resources.

Banca  examinadora:

Prof. Antonio Augusto de Aragão Rocha, UFF – Presidente

Profa. Aline Marins Paes Carvalho, UFF

Prof. Leandro Santiago de Araújo, UFF

Prof. Rodolfo da Silva Villaça, UFES 

Profa. Ana Paula Couto da Silva, UFMG 

Prof. Giovanni Ventorim Comarela, UFES