Pesquisadores do Instituto de Matemática, Estatística e Computação Científica (Imecc) e da Faculdade de Ciências Aplicadas (FCA) da Unicamp desenvolveram um método que usa a inteligência artificial (IA) para prevenir o churn — métrica que indica a taxa de rotatividade, também conhecida como taxa de evasão de usuários em um serviço ou de recursos humanos em uma empresa.
O know-how desenvolvido via comitê de máquinas para problemas de classes sobrepostas (Comacs) utiliza estratégias para compor um comitê específico para análise de dados. Assim, a escolha dos métodos e a da arquitetura do comitê podem variar em função da natureza e dimensão do conjunto de dados de acordo com cada caso.
A Agência de Inovação da Unicamp (Inova Unicamp) atuou tanto no processo de fornecimento não exclusivo do know-how à 4C Datalab Inteligência Artificial quanto no desenvolvimento dessa empresa, uma spin-off acadêmica da Universidade, fundada pelos pesquisadores que desenvolveram o know-how a fim de levar a solução ao mercado: Henrique N. Sá Earp (Imecc), Cristiano Torezzan e Leonardo Tomazeli Duarte (ambos da FCA).
A abordagem via Comacs
O comitê de máquinas é um método dentro da área de aprendizado de máquina (machine learning) usado para melhorar a precisão de classificações ou previsões feitas por modelos computacionais. No caso do comitê, utiliza-se um conjunto de vários modelos diferentes que analisam um conjunto de dados, e não apenas um único algoritmo.
Essa abordagem fornece um modelo de interação sustentado por técnicas de interpretabilidade para que os resultados possam ser utilizados mesmo por usuários que não conhecem nada sobre aprendizado de máquina, tornando-a aplicável a uma ampla gama de serviços.
“Já usamos o método via Comacs na área de recursos humanos de uma empresa e entendemos que a tecnologia pode ser utilizada em vários tipos de negócios e situações, como prever o desligamento de um cliente de um serviço ou o desligamento de um aluno de uma escola ou academia”, explica Torezzan.
Análise de dados mais aprofundada
Para evitar um churn alto, que pode afetar diretamente a sustentabilidade de um negócio, um modelo de inteligência artificial treinado é capaz de analisar vastas quantidades de dados de forma rápida e eficaz, identificando padrões e tendências de comportamentos.
É comum que as análises e categorizações desses dados se deparem com problemas de classes sobrepostas, que ocorrem quando categorias ou grupos usados para classificar algo não são mutuamente exclusivos, ou seja, um elemento pode pertencer a mais de uma classe ao mesmo tempo.
“Quando olhamos para categorizações, as pessoas estão potencialmente em duas classes: as que querem continuar em uma empresa e as que não querem, mas no meio estão as que estão indecisas, e essas seriam as classes sobrepostas”, esclarece Torezzan.
A abordagem via Comacs permite identificar as variáveis que influenciam o comportamento de um indivíduo, levando em conta tanto fatores coletivos quanto individuais, como, por exemplo, se o aumento de salário pode reduzir o risco de um funcionário deixar uma empresa. Uma vez treinado com dados gerais, o modelo aplicado pode ser ajustado com dados aderentes a outra situação para se chegar às variáveis específicas.
“Por meio desse ajuste fino (fine-tuning), a análise é realizada de forma mais precisa e personalizada”, destaca Duarte.
Como o know-how consiste em uma IA preditiva, se essa for integrada a uma IA generativa com interface amigável, pode permitir ajustes personalizados e gerar relatórios sob medida. A partir das previsões obtidas, o sistema consegue simular cenários e sugerir ações preventivas adaptadas ao perfil de cada indivíduo analisado.
Os dados analisados podem ser fornecidos pelas próprias empresas ou obtidos por meio de bases públicas. Os pesquisadores destacam que todos os dados são anonimizados, alinhando o know-how aos Objetivos de Desenvolvimento Sustentável (ODS) da Organização das Nações Unidas (ONU), principalmente ao Objetivo 16, que, entre suas diretrizes, visa à proteção de liberdades individuais, como a privacidade individual.
Inteligência de negócios
As informações geradas pelo Comacs são valiosas para orientar decisões mais assertivas, conectando de forma prática a inteligência artificial (IA) à inteligência de negócio (business inteligence, BI).
“Poder identificar atributos gerais e prever, para cada indivíduo, qual seria a sua resposta a cada atributo com soluções customizadas gera inteligência de negócio e permite ao gestor saber qual ação tomar”, ressalta Earp.
Uma vez treinada, a IA aponta quais intervenções a BI deve adotar para que gestores consigam reter funcionários, usuários ou clientes. Os pesquisadores empreendedores dão um exemplo prático da aplicação:
“Testamos o modelo de predição e obtivemos um índice de acerto próximo de 90% de pessoas que deixaram seus empregos. Com base nesses dados, a empresa conseguiu reduzir em cerca de 50% a taxa de demissão”, diz Torezzan.
4C Datalab
O know-how desenvolvido foi fornecido de forma não exclusiva para a empresa 4C Datalab Inteligência Artificial, fundada em janeiro de 2024 pelos autores da propriedade intelectual em parceria com Raul Mariano Cardoso, egresso da Faculdade de Engenharia Mecânica (FEM) da Unicamp e atual CEO da empresa. O empreendimento é considerado uma empresa-filha da Unicamp etambém uma spin-off acadêmica, pois foi criada para viabilizar que o know-how, desenvolvido na Universidade, se tornasse de fato uma solução no mercado.
Segundo Earp, a Inova acompanhou o negócio desde o processo de fornecimento do know-how até o desenvolvimento da empresa, norteando o caminho para a concepção do empreendimento.
“Se não fosse pela Inova, não teríamos chegado aonde chegamos. A agência foi essencial para termos segurança no processo de empreender”, completa Torezzan.
Além dos três sócios-fundadores, a empresa ainda conta com a Templo Ventures como membro societário. No quadro funcional, a empresa tem um CEO que também participa da sociedade, dedicado a angariar fomentos para viabilizar o produto no mercado.
Um dos focos da 4C Datalab no momento é conseguir fomento junto ao programa Pesquisa Inovativa em Pequenas Empresas (Pipe) fase 2, da Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp).
