Predição de Desfechos no Consumidor.gov.br: Uma Abordagem Híbrida Tabular-Textual Baseada em Aprendizado de Máquina
Resumo
Falhas no atendimento geram custos operacionais, riscos legais e danos à reputação corporativa. Esta pesquisa utiliza aprendizado de máquina para prever o desfecho de reclamações no Consumidor.gov.br, investigando sua viabilidade e avaliando se a inclusão do texto da reclamação em uma abordagem híbrida tabular-textual melhora o desempenho em relação a um baseline tabular. O método combina variáveis estruturadas, embeddings jurídicos em português do Serafim-335m e análise de sentimento, utilizando o XGBoost para classificação e Qwen2 para explicar os principais temas. Os resultados indicam um F1-Macro de 0,5928, com ganho de 26,76% em relação ao baseline, evidenciando o potencial do modelo para priorização e antecipação de casos.
Palavras-chave:
Aprendizado de Máquina, Consumidor.gov.br, Predição de Desfechos, Embeddings Jurídicos, Análise de Sentimento, XGBoost
Referências
Akiba, T., Sano, S., Yanase, T., Ohta, T., and Koyama, M. (2019). Optuna: A nextgeneration hyperparameter optimization framework. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD), pages 2623–2631.
Alarifi, G., Rahman, M. F., and Hossain, M. S. (2023). Prediction and analysis of customer complaints using machine learning techniques. International Journal of E-Business Research, 19(1):1.
Almeida, R. J. A. (2018). LeIA – léxico para inferência adaptada. [link]. Repositório GitHub.
An, Y., Yang, B., Hui, B., Zheng, B., Yu, B., Zhou, C., et al. (2024). Qwen2 technical report. arXiv preprint arXiv:2407.10671.
Baldo, F., Grando, J., Weege, K. M., and Bonassa, G. M. (2022). Adaptive fast XGBoost for binary classification. In Anais do XXXVII Simpósio Brasileiro de Banco de Dados (SBBD).
Blümel, J. and Zaki, M. (2022). Comparative analysis of classical and deep learning-based natural language processing for prioritizing customer complaints. In Proceedings of the 55th Hawaii International Conference on System Sciences, pages 1–10.
Carneiro, C. D., Duzert, Y., and Almeida, R. A. d. (2024). The economic benefits of business mediation in the Brazilian scenario. Revista de Administração de Empresas, 64(3):e2023–0145.
Gomes, L., Branco, A., Silva, J., Rodrigues, J., and Santos, R. (2024). Open sentence embeddings for Portuguese with the Serafim PT* encoders family. In Progress in Artificial Intelligence – 23rd EPIA Conference on Artificial Intelligence (EPIA 2024), pages 267–279, Cham. Springer Nature Switzerland.
Jondhale, R., Patil, S., Shinde, A., Ajalkar, D., and Biradar, S. (2024). Predicting consumer complaint disputes in finance using machine learning. In 2024 Second International Conference on Advances in Information Technology (ICAIT), pages 385–391.
Rabbi, G., Araújo, M., Kakizaki, G., Viterbo, J., Reis, J. C. S., Prates, R. O., and Gonçalves, M. A. (2024). Identificação e caracterização de reclamações duplicadas por consumidores em múltiplas plataformas. In Anais do XXXIX Simpósio Brasileiro de Banco de Dados (SBBD).
Santos, B. L., Ferreira, G. E., Ó, M. T. d., Braz, R. R., and Digiampietri, L. A. (2022). Comparison of natural language processing techniques in social bot detection on Twitter during Brazilian presidential elections. In Proceedings of iSys – Revista Brasileira de Sistemas de Informação.
Senacon (2024). Boletim consumidor.gov.br 2023. Boletim, Secretaria Nacional do Consumidor, Ministério da Justiça e Segurança Pública.
Silva, M. O., Oliveira, G. P., Costa, L. G. L., and Pappa, G. L. (2024). Evaluating domain-adapted language models for governmental text classification tasks in Portuguese. In Anais do XXXIX Simpósio Brasileiro de Banco de Dados (SBBD), page 247.
Sousa, G. N. d., Guimarães, I. d. S., Viana, J., Reinhold, O., Fernando, A., and Lobato, F. M. F. (2020). Análise do setor de telecomunicação brasileiro: Uma visão sobre reclamações. RISTI – Revista Ibérica de Sistemas e Tecnologias de Informação, 37:31–48.
Sujon, K. M., Hassan, R., Choi, K., and Samad, M. A. (2025). Accuracy, precision, recall, F1-score, or MCC? Empirical evidence from advanced statistics, ML, and XAI for evaluating business predictive models. Journal of Big Data, 12(1).
Vairetti, C., Aránguiz, I., Maldonado, S., Karmy, J. P., and Leal, A. (2023). Analytics-driven complaint prioritisation via deep learning and multicriteria decision-making. European Journal of Operational Research, 312(3):1108–1122.
Vaishnav, D., Woo, J., et al. (2024). Predictive analysis of CFPB consumer complaints using machine learning. arXiv preprint arXiv:2407.06399.
Yang, Y., Xu, D., Yang, J., and Chen, Y. (2018). An evidential reasoning-based decision support system for handling customer complaints in mobile telecommunications. Knowledge-Based Systems, 162:202–214.
Alarifi, G., Rahman, M. F., and Hossain, M. S. (2023). Prediction and analysis of customer complaints using machine learning techniques. International Journal of E-Business Research, 19(1):1.
Almeida, R. J. A. (2018). LeIA – léxico para inferência adaptada. [link]. Repositório GitHub.
An, Y., Yang, B., Hui, B., Zheng, B., Yu, B., Zhou, C., et al. (2024). Qwen2 technical report. arXiv preprint arXiv:2407.10671.
Baldo, F., Grando, J., Weege, K. M., and Bonassa, G. M. (2022). Adaptive fast XGBoost for binary classification. In Anais do XXXVII Simpósio Brasileiro de Banco de Dados (SBBD).
Blümel, J. and Zaki, M. (2022). Comparative analysis of classical and deep learning-based natural language processing for prioritizing customer complaints. In Proceedings of the 55th Hawaii International Conference on System Sciences, pages 1–10.
Carneiro, C. D., Duzert, Y., and Almeida, R. A. d. (2024). The economic benefits of business mediation in the Brazilian scenario. Revista de Administração de Empresas, 64(3):e2023–0145.
Gomes, L., Branco, A., Silva, J., Rodrigues, J., and Santos, R. (2024). Open sentence embeddings for Portuguese with the Serafim PT* encoders family. In Progress in Artificial Intelligence – 23rd EPIA Conference on Artificial Intelligence (EPIA 2024), pages 267–279, Cham. Springer Nature Switzerland.
Jondhale, R., Patil, S., Shinde, A., Ajalkar, D., and Biradar, S. (2024). Predicting consumer complaint disputes in finance using machine learning. In 2024 Second International Conference on Advances in Information Technology (ICAIT), pages 385–391.
Rabbi, G., Araújo, M., Kakizaki, G., Viterbo, J., Reis, J. C. S., Prates, R. O., and Gonçalves, M. A. (2024). Identificação e caracterização de reclamações duplicadas por consumidores em múltiplas plataformas. In Anais do XXXIX Simpósio Brasileiro de Banco de Dados (SBBD).
Santos, B. L., Ferreira, G. E., Ó, M. T. d., Braz, R. R., and Digiampietri, L. A. (2022). Comparison of natural language processing techniques in social bot detection on Twitter during Brazilian presidential elections. In Proceedings of iSys – Revista Brasileira de Sistemas de Informação.
Senacon (2024). Boletim consumidor.gov.br 2023. Boletim, Secretaria Nacional do Consumidor, Ministério da Justiça e Segurança Pública.
Silva, M. O., Oliveira, G. P., Costa, L. G. L., and Pappa, G. L. (2024). Evaluating domain-adapted language models for governmental text classification tasks in Portuguese. In Anais do XXXIX Simpósio Brasileiro de Banco de Dados (SBBD), page 247.
Sousa, G. N. d., Guimarães, I. d. S., Viana, J., Reinhold, O., Fernando, A., and Lobato, F. M. F. (2020). Análise do setor de telecomunicação brasileiro: Uma visão sobre reclamações. RISTI – Revista Ibérica de Sistemas e Tecnologias de Informação, 37:31–48.
Sujon, K. M., Hassan, R., Choi, K., and Samad, M. A. (2025). Accuracy, precision, recall, F1-score, or MCC? Empirical evidence from advanced statistics, ML, and XAI for evaluating business predictive models. Journal of Big Data, 12(1).
Vairetti, C., Aránguiz, I., Maldonado, S., Karmy, J. P., and Leal, A. (2023). Analytics-driven complaint prioritisation via deep learning and multicriteria decision-making. European Journal of Operational Research, 312(3):1108–1122.
Vaishnav, D., Woo, J., et al. (2024). Predictive analysis of CFPB consumer complaints using machine learning. arXiv preprint arXiv:2407.06399.
Yang, Y., Xu, D., Yang, J., and Chen, Y. (2018). An evidential reasoning-based decision support system for handling customer complaints in mobile telecommunications. Knowledge-Based Systems, 162:202–214.
Publicado
08/09/2026
Como Citar
BANDEIRA DA SILVA, Felipe; NASCIMENTO FILHO, Dimas Cassimiro do; NOGUEIRA, Bruno.
Predição de Desfechos no Consumidor.gov.br: Uma Abordagem Híbrida Tabular-Textual Baseada em Aprendizado de Máquina. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 41. , 2026, São Carlos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 183-196.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2026.249165.
