Quem vai cancelar?
Sorteamos clientes de uma base real de telecom. Cada modelo recebe o perfil — sem saber o que aconteceu — e estima a chance de cancelamento. Depois comparamos com a realidade. A disputa é entre modelos de IA; uma regressão logística treinada nesta base entra como referência do método clássico.
Comece por aqui: sorteie os clientes
A prova parte de uma base real de telecom. A gente sorteia clientes ao acaso — você vê quem entrou na amostra antes de qualquer modelo palpitar.
Cada cliente vira um request separado por modelo, em sequência — a medição mais justa. Os modelos veem o perfil (tempo de casa, contrato, serviços, cobranças), nunca o identificador nem a coluna Churn. Passou de 20 segundos? A gente tira o modelo da corrida e o relatório sobe com o que ele já entregou.
Agora é só largar a corrida
Telco Customer Churn, da IBM — um dos datasets clássicos de machine learning, com 7.043 clientes de uma empresa fictícia de telecom da Califórnia. Disponível publicamente no Kaggle. Aqui usamos a coluna Churn apenas como gabarito: ela nunca é enviada aos modelos — clique no logo de qualquer modelo para ver o request exato. A regressão logística de referência é treinada nesta mesma base a cada sessão; os LLMs nunca veem dado nenhum da população. Clique no Σ para ver o que ela aprendeu.