Análise de Sobrevivência & Churn em R (Kaplan-Meier, Cox PH e Simulador Shiny)
Modelagem estatística de tempo até o evento com dados censurados à direita, estimativas não-paramétricas de Kaplan-Meier, testes de hipótese de Log-Rank, Hazard Ratios de Cox e simulação interativa de LTV residual com desconto intertemporal.
Censura à Direita e Falhas da Classificação Binária Tradicional
Classificadores tradicionais de machine learning (Random Forest, XGBoost) tratam o cancelamento como uma variável binária estática (0 ou 1), desconsiderando a dimensão temporal e introduzindo viés severo sobre clientes atualmente ativos na carteira (censurados à direita).
Pipeline Estatístico Completo em R com Curvas S(t) e Hazard Ratios
Desenvolvimento de pipeline estatístico com os pacotes survival, survminer e bslib. Implementação do estimador produto-limite de Kaplan-Meier, modelo semiparamétrico de Riscos Proporcionais de Cox com checagem de resíduos de Schoenfeld e cálculo dinâmico de valor presente de LTV.
Log-Rank p < 0.0001 e Identificação de 88% de Proteção no Contrato Bianual
Quantificação precisa do efeito protetivo de contratos de longo prazo (HR = 0.12) e impacto de chamados no suporte (+28% de risco por chamado), permitindo intervenções cirúrgicas do comitê de Customer Success antes da evasão.
Protótipo Interativo Navegável
Customer Churn Survival Analysis
Linguagem R & ShinyModelagem de tempo até o cancelamento com Kaplan-Meier, Regressão de Cox e LTV Dinâmico
Curva de Sobrevivência Projetada S(t | Perfil)
Probabilidade de retenção contínua mês a mês
Fluxo de Caixa Esperado & LTV Descontado Mês a Mês
E[Receita_t] = Mensalidade × S(t) descontada a 0.8% a.m.
Cliente com comportamento médio de mercado. A probabilidade de reter até 12 meses é de 46.8%. Recomenda-se incentivar a troca de boleto por débito automático para reduzir atrito de cobrança.