bert-fuga-churnsentinel

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

• fuga
• fidelidade
• neutro

💻 Como usar

from transformers import AutoTokenizer, AutoModelForSequenceClassification

model = AutoModelForSequenceClassification.from_pretrained("ViniciusKanh/bert-fuga-churnsentinel")
tokenizer = AutoTokenizer.from_pretrained("ViniciusKanh/bert-fuga-churnsentinel")

texto = "Cliente testando plataforma concorrente e reduzindo escopo."
inputs = tokenizer(texto, return_tensors="pt", truncation=True, max_length=512)
outputs = model(**inputs)
pred = outputs.logits.softmax(dim=1).argmax(dim=1).item()
labels = ["fidelidade", "fuga", "neutro"]
print(labels[pred])

💡 Exemplos

---

📊 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:

@misc{kanh2025bertfuga,
  author = {Vinicius Kanh},
  title = {BERT Fuga/ChurnSentinel: Modelo para detecção automática de fuga, fidelidade e neutralidade em clientes B2B},
  year = {2025},
  howpublished = {\url{https://huggingface.co/ViniciusKanh/bert-fuga-churnsentinel}}
}

👤 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:

  • LinkedIn
  • GitHub
  • Google Scholar
  • Email: [email protected]

• 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.