[en] CHURN PREDICTION: COMPARATIVE APPROACH USING XGBOOST AND RANDOM FOREST

[pt] PREDIÇÃO DE CHURN: UMA ABORDAGEM COMPARATIVA UTILIZANDO XGBOOST E RANDOM FOREST

[pt] BERNARDO RUIZ FERNANDES

[pt] RANDOM FOREST

[pt] BALANCEAMENTO DE DADOS

[pt] APLICATIVO DE RECARGA

[pt] PREDICAO DE CHURN

[pt] XGBOOST

[pt] VEICULO ELETRICO

[en] RANDOM FOREST

[en] DATA BALANCING

[en] CHARGING APPLICATION

[en] CHURN PREICTION

[en] XGBOOST

[en] ELECTRIC VEHICLE

[pt] A expansão dos veículos elétricos no Brasil demanda infraestrutura de recarga robusta e aplicativos eficientes para suporte aos usuários. Neste contexto, a retenção de clientes representa desafio estratégico, considerando que aplicativos móveis apresentam altas taxas de abandono e que o custo de aquisição de novos clientes supera o de retenção. A predição de churn utilizando técnicas de Machine Learning emerge como abordagem para identificar usuários com propensão ao abandono, permitindo intervenções de retenção. Este trabalho compara o desempenho dos algoritmos XGBoost e Random Forest na predição de churn em aplicativos de recarga para veículos elétricos, avaliando simultaneamente o impacto de diferentes técnicas de balanceamento de dados. Os resultados demonstraram melhor resultado com XGBoost e revelaram que técnicas de balanceamento não proporcionaram melhorias significativas em algoritmos robustos.

[en] he expansion of electric vehicles in Brazil demands robust charging infrastructure and efficient applications to support users. In this context, customer retention represents a strategic challenge, considering that mobile applications present high abandonment rates and that the cost of acquiring new customers exceeds that of retention. Churn prediction using Machine Learning techniques emerges as an approach to identify users with propensity to abandon, enabling retention interventions. This work compares the performance of XGBoost and Random Forest algorithms in churn prediction for electric vehicle charging applications, simultaneously evaluating the impact of different data balancing techniques. The results demonstrated better performance with XGBoost and revealed that balancing techniques did not provide significant improvements in robust algorithms.

AUGUSTO CESAR ESPINDOLA BAFFA

2026-01-16

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74998@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74998@2

https://doi.org/10.17771/PUCRio.acad.74998