Previsão de churn na borda: uma solução com atributos temporais e preservação de privacidade

• Gabriel T. Coimbra UFV
• Victor Hugo R. Santos UFV
• Pedro A. Maia UFV
• Letícia O. Silva UFV
• Rayanne P. Souza UFV
• Fabrício A. Silva UFV
• Thais R. M. Braga Silva UFV

DOI: https://doi.org/10.5753/sbcup.2023.230498

Resumo

Este trabalho propõe uma solução para prever o churn (abandono de usuários) com preservação da privacidade usando a computação de ponta. Com a crescente popularidade dos smartphones, os usuários estão se tornando mais exigentes em relação ao uso de aplicativos móveis. As instalações e desinstalações de aplicativo são eventos frequentes e a facilidade de desinstalação pode facilitar a rotatividade, que é o abandono do cliente. As empresas buscam minimizar a rotatividade, pois o custo de aquisição de novos clientes é muito maior do que o de retenção dos atuais. Para prever o possível abandono, as organizações estão adotando cada vez mais técnicas de inteligência artificial (IA). No entanto, os clientes estão cada vez mais preocupados com a privacidade de seus dados. Nesse contexto, propomos uma técnica chamada CANCEL, que cria atributos com base no comportamento temporal dos usuários, com computação de ponta para prever o churn localmente, sem transmitir os dados dos usuários. O artigo apresenta a avaliação do CANCEL em comparação com as soluções de base, o desenvolvimento de um aplicativo móvel integrado ao método proposto e implantado como uma solução de computação de borda.

Referências

Bertens, P., Guitart, A., and Periáñez, Á. (2017). Games and big data: A scalable multidimensional churn prediction model. In 2017 IEEE Conference on Computational Intelligence and Games (CIG), pages 33–36.

Bonawitz, K., Ivanov, V., Kreuter, B., Marcedone, A., McMahan, H. B., Patel, S., Ramage, D., Segal, A., and Seth, K. (2017). Practical secure aggregation for privacy-preserving machine learning. In Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, CCS ’17, page 1175–1191, New York, NY, USA. Association for Computing Machinery.

Capanema, C. and Silva, F. (2021). Detecção de pontos de interesse e predição de próximo local de visita de usuários móveis com base em dados esparsos. In Anais Estendidos do XXXIX Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 129–136, Porto Alegre, RS, Brasil. SBC.

Fox, G., van der Werff, L., Rosati, P., Takako Endo, P., and Lynn, T. (2022). Examining the determinants of acceptance and use of mobile contact tracing applications in brazil: An extended privacy calculus perspective. Journal of the Association for Information Science and Technology, 73(7):944–967.

Gupta, S., Lehmann, D. R., and Stuart, J. A. (2004). Valuing customers. Journal of marketing research, 41(1):7–18.

Haddadi, S. J., Mohammadi, M. O., Bahrami, M., Khoeini, E., Beygi, M., and Khoshkar, M. H. (2022). Customer churn prediction in the iranian banking sector. In 2022 International Conference on Applied Artificial Intelligence (ICAPAI), pages 1–6.

Insights, F. (2011). Bringing 20/20 foresight to marketing. May ([link]).

Jain, H., Khunteta, A., and Srivastava, S. (2020). Churn prediction in telecommunication using logistic regression and logit boost. Procedia Computer Science, 167:101–112.

Maia, W., Silva, F., and Silva, T. (2020). Um estudo sobre a relação entre smartphones e dados demográficos. In Anais do IV Workshop de Computação Urbana, pages 302–315, Porto Alegre, RS, Brasil. SBC.

Mammen, P. M. (2021). Federated learning: Opportunities and challenges. arXiv preprint arXiv:2101.05428.

Milošević, M., Živić, N., and Andjelković, I. (2017). Early churn prediction with personalized targeting in mobile social games. Expert Systems with Applications, 83:326–332.

Rahman, M. and Kumar, V. (2020). Machine learning based customer churn prediction in banking. In 2020 4th International Conference on Electronics, Communication and Aerospace Technology (ICECA), pages 1196–1201.

Rajamohamed, R. and Manokaran, J. (2018). Improved credit card churn prediction based on rough clustering and supervised learning techniques. Cluster Computing, 21(1):65–77.

Schlackl, F., Link, N., and Hoehle, H. (2022). Antecedents and consequences of data breaches: A systematic review. Information & Management, 59(4):103638.

Tan, F., Wei, Z., He, J., Wu, X., Peng, B., Liu, H., and Yan, Z. (2018). A blended deep learning approach for predicting user intended actions. In 2018 IEEE International Conference on Data Mining (ICDM), pages 487–496.

Verhelst, T. (2018). Churn prediction and causal analysis on telecom customer data.

Yang, C., Shi, X., Jie, L., and Han, J. (2018). I know you’ll be back: Interpretable new user clustering and churn prediction on a mobile social application. In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, KDD ’18, page 914–922, New York, NY, USA. Association for Computing Machinery.

Zhou, J., Yan, J.-f., Yang, L., Wang, M., and Xia, P. (2019). Customer churn prediction model based on lstm and cnn in music streaming. DEStech Transactions on Engineering and Technology Research, 5.