A Stone é uma empresa que oferece soluções de pagamento por máquinas de cartão. As soluções da empresa passam não apenas por maquininhas de cartão, mas também por um portal de controle financeiro que permite gerir a saúde da empresa com segurança, além de disponibilizar crédito para seus clientes. Neste mercado há uma grande concorrência e por conta disto, uma métrica bastante avaliada é a taxa de rotatividade, ou Churn rate, que mostra a taxa de consumidores que uma empresa perdeu em determinado período e o total de receitas envolvidas nesse processo. Outro ponto de atenção, e distinto, é capacidade da equipe de detectar e rejeitar riscos de crédito ruins, pois o sucesso de uma operação de crédito individual e a sustentabilidade da fintech dependem disto. Consequentemente, para conseguir separar os bons e maus pagadores e identificar a taxa de rotatividade, surge a necessidade da classificação de crédito e de churn, através de data science. A dissertação aborda a combinação da técnica de árvore de decisão, um algoritmo de aprendizado de máquina, com otimização para classificação de riscos de crédito e de churn para a Stone Pagamentos S.A. A literatura carece de estudos a respeito da combinação de ambas técnicas, as quais se mostraram ferramentas promissoras, pois pode se extrair conhecimento implícito dos algoritmos de aprendizado e complementar com a informação explícita obtida da otimização. A árvore de decisão facilita a interpretação dos resultados em comparação com outros algoritmos de aprendizado de máquina que são caixa preta. Esta técnica performa melhor que técnicas como boosting e random forest quando aplicada com otimização inteira mista. Esta abordagem pode se beneficiar das garantias teóricas e algoritmos de última geração disponíveis na literatura.