Aplicação de análise preditiva nas bases de dados de uma instituição de ensino superior, visando aumentar a eficiência na análise de grandes quantidades de leads

Abstract

presente trabalho tem como objetivo aplicar técnicas de análise preditiva em bases de dados institucionais da Universidade do Extremo Sul Catarinense (UNESC), com o intuito de estimar a probabilidade de matrícula de estudantes a partir de informações coletadas durante o processo de inscrição. O estudo buscou otimizar a tomada de decisão e aumentar a eficiência na análise de grandes volumes de leads oriundos de campanhas de marketing digital. Para isso, foram utilizados dois algoritmos de aprendizado de máquina amplamente empregados em classificação supervisionada: Regressão Logística e Random Forest. A metodologia incluiu o tratamento e a codificação das variáveis, criação de atributos derivados e aplicação de métricas de avaliação como acurácia, precisão, recall, F1-score e AUC-ROC. Os resultados evidenciaram que o modelo de Regressão Logística apresentou desempenho mais equilibrado e interpretável, alcançando AUC-ROC de 0,709 e acurácia de 84,5%, enquanto o Random Forest obteve maior acurácia 87,5% porém menor capacidade discriminativa, AUC-ROC de 0,604. Conclui-se que o modelo logístico é o mais adequado ao contexto institucional, permitindo identificar com maior precisão os alunos com maior propensão à matrícula. Este estudo contribui tanto para o meio acadêmico, ao demonstrar o potencial da análise preditiva na educação, quanto para o contexto prático, oferecendo subsídios para o aprimoramento das estratégias de captação e permanência estudantil.