Questão FC890572
Uma empresa de e-commerce implantou um modelo de machine learning para prever a probabilidade de churn, métrica que indica a rotatividade ou evasão de clientes. Após seis meses em
Inteligência Artificial (IA)
FGV · 2026
Uma empresa de e-commerce implantou um modelo de machine learning para prever a probabilidade de churn, métrica que indica a rotatividade ou evasão de clientes. Após seis meses em produção, a equipe de dados observou que, embora as distribuições estatísticas das features de entrada permanecessem estáveis (mesmas médias, mesmos desvios-padrão e mesmas distribuições), o relacionamento entre essas features e a variável-alvo (churn) havia mudado significativamente devido a alterações no comportamento dos consumidores causadas por novas políticas de fidelização da empresa.
Diante desse cenário, é correto afirmar que o modelo:
- requer apenas ajustes nos hiperparâmetros através de validação cruzada com os dados históricos originais, mantendo a mesma arquitetura e features do pipeline de produção atual;
- está sofrendo de concept drift, uma vez que a relação entre as features e o target mudou, requerendo retreinamento do modelo com dados recentes que reflitam o novo comportamento dos clientes;
- não apresenta problemas, pois as distribuições estatísticas das features permanecem estáveis, e mudanças em políticas internas da empresa não afetam a capacidade preditiva de modelos já treinados;
- está sofrendo de data drift, pois as características dos dados de entrada mudaram ao longo do tempo, sendo necessário realizar feature engineering adicional para capturar as novas políticas de fidelização;
- apresenta tanto data drift quanto concept drift simultaneamente, sendo necessário reprojetar completamente o pipeline de machine learning incluindo nova coleta de dados e arquitetura de modelo.
Mostrar resposta e comentário
Gabarito
B
Comentário do professor
A alternativa aponta para concept drift: ocorre quando a relação aprendida entre as features e o alvo muda ao longo do tempo, mesmo que as distribuições das entradas permaneçam estáveis. No enunciado, as políticas de fidelização alteraram o comportamento dos clientes, modificando a probabilidade de churn associada aos mesmos atributos.
A ação correta é promover o retreinamento do modelo com dados recentes que reflitam a nova realidade comportamental. Isso permite que o algoritmo aprenda a nova função que mapeia features para o target.
Na prática, implemente janelas de dados atualizadas, valide o desempenho em dados rotulados atuais e automatize ciclos de retreinamento e monitoramento para detectar novas ocorrências de concept drift.
Conteúdo do catálogo FC Concursos · Atualizado em