Causal Inference and Uplift Modelling: A Review of the Literature
Pierre Gutierrez e Jean-Yves Gérardy, Proceedings of Machine Learning Research 67, 2017.
Os clientes raramente avisam que vão embora; o comportamento deles costuma avisar, semanas antes de a conta ficar em silêncio.
Comece com uma definição escrita com a qual as áreas de crescimento, finanças e produto concordem antes de alguém construir um modelo. Contar apenas os encerramentos deixa passar a maior parte da perda. Boas definições descrevem a própria deriva, por exemplo:
Escolha uma definição principal e mantenha as outras como visões secundárias. Um credor pode se importar mais com os clientes que pagam antecipadamente e não tomam novo empréstimo. Escreva a definição com a sua janela e mantenha-a fixa, para que os resultados de um trimestre possam ser comparados com os do seguinte.
Os primeiros sinais estão no que os clientes fazem, e a ordem dos eventos muitas vezes diz mais do que os totais. Um cliente cujo salário chega e é transferido para fora no mesmo dia se comporta de forma diferente de outro que o gasta ao longo do mês, mesmo quando os saldos mensais parecem iguais. Os resumos mensais guardam as contagens e perdem essa sequência. Sinais que valem ser acompanhados incluem:
Pesquisadores do Nubank descreveram modelos transformer treinados com dados de transações dos clientes que melhoraram as previsões em problemas de recomendação em larga escala (Braithwaite et al., 2025). O mesmo vale para a saída: guarde o histórico de cada cliente com o momento de cada evento, porque é ali que está o sinal.
Um aviso que chega depois de o cliente ter transferido o salário serve de pouco. Pergunte à equipe que vai agir de quantos dias ela precisa entre um sinal e uma conversa, considerando aprovações e regras de contato. Esse número é a antecedência, e deve constar do briefing como um requisito de negócio.
Depois, avalie as previsões nesse horizonte. Um modelo muito preciso com uma semana de antecedência pode ser mais fraco com quatro semanas, e a visão de quatro semanas pode ser a única que a equipe consegue usar. Informe a acurácia no horizonte combinado e registre com quantos dias de antecedência cada cliente retido foi sinalizado pela primeira vez.
Uma lista de clientes com probabilidade de sair é diferente de uma lista de clientes que vale a pena contatar. Alguns clientes ficarão aconteça o que acontecer, e alguns sairão seja qual for a oferta. Outros vão responder a uma ligação ou a uma taxa melhor, e alguns serão levados a sair pelo próprio contato. O orçamento gasto com os dois primeiros grupos é desperdiçado, e contatar o último grupo causa dano.
A modelagem de uplift estima o efeito adicional de uma ação sobre o resultado de um cliente, em comparação com não fazer nada. Os métodos revisados por Gutierrez e Gérardy (2017) exigem todos dados sobre clientes que foram contatados e clientes que não foram. Na prática, isso significa um grupo de controle: uma parcela aleatória dos clientes sinalizados que não recebe nenhuma ação, de modo que a diferença entre os dois grupos mostre o que o programa conquistou. Mantenha o grupo de controle ativo em um tamanho que o negócio aceite, para que os resultados de cada trimestre possam ser conferidos com ele.
Uma lista classificada só é útil se alguém trabalhar nela. Parta da capacidade: quantos clientes as suas equipes conseguem contatar bem em uma semana e quantas ofertas o orçamento cobre. Corte a lista nesse número e classifique-a pelo valor retido esperado, para que o esforço vá para onde vale mais.
Salve a lista de cada semana como um grupo nomeado, com o motivo pelo qual cada cliente está nela. Assim, todas as equipes trabalham com os mesmos nomes, nenhum cliente é contatado duas vezes e cada resultado pode ser rastreado até o grupo que foi alvo da ação.
As regras que permitem aos clientes compartilhar seus dados e movimentar dinheiro entre instituições reduzem o esforço de trocar. Nos Emirados Árabes Unidos, o regulamento de Open Finance do Banco Central exige que as instituições licenciadas deem aos participantes do arcabouço acesso aos dados dos clientes e a possibilidade de iniciar transações, sempre sujeitos ao consentimento expresso do cliente (CBUAE, junho de 2024). Em dezembro de 2024, o conselho do Banco Central aprovou a Nebras Open Finance, uma subsidiária que opera a infraestrutura central do open finance (WAM, dezembro de 2024). No Brasil, o Open Finance do Banco Central permite que cada cliente decida quais dados compartilhar, com qual instituição e por quanto tempo (Banco Central do Brasil).
Isso funciona nos dois sentidos: um concorrente pode fazer uma oferta com base no histórico compartilhado de um cliente, e você também. O tempo entre o primeiro sinal de deriva e a mudança em si pode diminuir, o que torna a antecedência e a pontuação frequente ainda mais importantes.
Informe esses indicadores em conjunto todo mês, com o valor retido em comparação com o grupo de controle, líquido do custo das ofertas, na primeira página e a acurácia do modelo no anexo.
A Mantika Tessera aprende com o histórico dos seus clientes e mostra às suas equipes quem reter e a quem oferecer mais.
Pierre Gutierrez e Jean-Yves Gérardy, Proceedings of Machine Learning Research 67, 2017.
D. T. Braithwaite e outros (Nubank), arXiv:2507.23267, julho de 2025.
Banco Central dos Emirados Árabes Unidos, comunicado à imprensa, junho de 2024.
Emirates News Agency (WAM), 12 de dezembro de 2024.
Banco Central do Brasil, página oficial (em português).