Uma grande operadora de rede móvel construiu um modelo para prever quais clientes provavelmente cancelarão seus serviços, para que possa oferecer incentivos de retenção. Após testar em 100 clientes, o modelo produziu os resultados de avaliação mostrados. Por que esse modelo seria aceitável para ser implantado em produção?

A acurácia de 86% indica que o modelo classifica corretamente 86% dos casos. Em um cenário de churn, um falso positivo (prever que o cliente vai cancelar, mas ele não cancela) significa oferecer um incentivo desnecessário. Um falso negativo (prever que o cliente não vai cancelar, mas ele cancela) significa perder um cliente. Geralmente, o custo de perder um cliente (falso negativo) é muito maior do que o custo de oferecer um incentivo a um cliente que não cancelaria (falso positivo). Portanto, se o custo de falsos positivos é menor que o de falsos negativos, o modelo é aceitável para produção, pois a prioridade é reter clientes, mesmo que isso signifique alguns incentivos desnecessários. As outras opções são incorretas porque distorcem a relação entre acurácia, precisão e os custos de negócio associados a falsos positivos e falsos negativos.