Memorial de projetos : estratégias baseadas em aprendizado de máquina para potencializar a qualificação de leads no mercado business-to-business

Abstract

Resumo: Este estudo analisa a aplicação de técnicas de aprendizado de máquina naetapa de qualificação de leads em negociações entre empresas (Business to Business– B2B). Foi utilizado um dataset público do Kaggle que reproduz cenários decampanhas de marketing. Após o processo de preparação e higienização dosregistros, os dados foram divididos em conjuntos de treino (70%) e teste (30%). Trêsmodelos supervisionados — Regressão Logística, Random Forest e XGBoost —foram treinados e avaliados por meio das métricas de acurácia, precisão, recall, F1-score e AUC. Entre eles, o XGBoost apresentou os melhores resultados na maiorparte das medidas de desempenho. A análise de relevância das variáveis destacousaldo bancário, tipo de contato e idade como fatores mais influentes para prever aconversão. As conclusões foram apoiadas por gráficos comparativos e pela matriz deconfusão. Ressalta-se, entretanto, que a presença de vieses nos dados e a dificuldadede interpretabilidade dos modelos devem ser consideradas antes de umaimplementação prática. Apesar dessas ressalvas, os achados indicam que o usoadequado do machine learning pode gerar vantagem competitiva concreta ao orientardecisões baseadas em dados no contexto B2B

Abstract: This research explores the use of machine-learning techniques to improvelead qualification in Business-to-Business (B2B) contexts. The study employed apublicly available Kaggle dataset designed to simulate marketing campaign outcomes.After data preprocessing and cleaning, the records were split into training (70%) andtesting (30%) subsets. Three supervised algorithms—Logistic Regression, RandomForest, and XGBoost—were trained and assessed through accuracy, precision, recall,F1-score, and AUC metrics. Among them, XGBoost consistently achieved superiorresults across most performance indicators. Feature importance analysis revealedbank balance, type of contact, and customer age as the most decisive attributes forconversion prediction. Graphs and the confusion matrix supported the interpretation ofmodel outcomes. Nevertheless, potential biases within the dataset and the challengeof model explainability are key aspects to be addressed before real-world adoption.Even so, the findings suggest that, when applied responsibly and with propergovernance, machine-learning models can provide significant competitive advantagesby supporting data-driven decision-making in B2B environments