jujumiranda/mlops-churn-prediction

Churn Predictor - Santo Garfo v1

Modelo de classificação binária desenvolvido para prever a probabilidade de churn (evasão) de clientes do restaurante Santo Garfo, em São Paulo.

Este projeto faz parte do curso de MLOps (Semana 3) e foca na integração entre treinamento de modelos, serialização e serviço via API FastAPI.

Uso Rápido

Para carregar o modelo e realizar uma predição em Python:

from huggingface_hub import hf_hub_download
import joblib
import numpy as np

# Download do artefato
repo_id = "seu-usuario/churn-santo-garfo"
model_path = hf_hub_download(repo_id=repo_id, filename="modelo_churn_restaurante.pkl")
model = joblib.load(model_path)

# Feature: [recencia, pedidos, cancelamentos, ticket, nota]
data = np.array([[120, 1, 4, 85.50, 2.1]])
prediction = model.predict(data)
print(f"Resultado: {'Churn' if prediction[0] == 1 else 'Ativo'}")

Features de entrada

Feature	Tipo	Descrição
dias_desde_ultimo_pedido	int	Recência: Dias desde a última visita (Churn > 90 dias).
pedidos_ultimo_semestre	int	Frequência: Total de pedidos realizados nos últimos 6 meses.
reservas_canceladas	int	Atrito: Quantidade de reservas não comparecidas/canceladas.
ticket_medio	float	Monetário: Valor médio gasto por pedido (R$).
avaliacao_media	float	Satisfação: Nota média dada pelo cliente (1.0 a 5.0).

Métricas (test set: 20%)

O modelo apresentou performance excelente no conjunto de teste:

• Precision (Churn): 1.00
• Recall (Churn): 1.00
• F1-Score (Churn): 1.00
• Amostras de Teste: 400
• Nota Técnica: O score perfeito (1.0) reflete a separabilidade clara das classes no dataset sintético gerado. Em dados reais, ruídos de mercado e comportamentos atípicos tenderiam a normalizar essas métricas.

Dependências

• scikit-learn >= 1.0
• joblib
• huggingface_hub
• numpy

Limitações e Ética

• Dados Sintéticos: Este modelo não deve ser utilizado em um ambiente de produção real sem retreinamento com dados históricos reais do estabelecimento.
• Viés de Regra: O modelo aprendeu regras rígidas de corte (ex: 90 dias). Comportamentos sazonais (ex: clientes que só vêm no Natal) podem ser classificados erroneamente como churn.