Predição da probabilidade de contratação de serviços de calibração utilizando modelos de aprendizado de máquina

Abstract

A precificação de serviços de metrologia é um desafio crucial para laboratórios que buscam otimizar seus lucros e manter a competitividade em um mercado cada vez mais acirrado. Este trabalho propõe um modelo de aprendizado de máquina para estimar a probabilidade de aceitação de orçamentos, aplicando abordagens preditivas para otimizar o processo de precificação em um laboratório de metrologia em Santa Catarina. A metodologia incluiu a coleta, análise e tratamento de dados históricos do laboratório. Em seguida, foram treinados e ajustados modelos de Regressão Logística, Support Vector Machine (SVM) e XGBoost. O modelo XGBoost, após otimização de hiperparâmetros, apresentou o melhor desempenho, com AUC de 0,7982 e acurácia de 73,76%, superando os demais modelos. A ferramenta desenvolvida permite uma precificação dinâmica, adaptada às condições de mercado e ao perfil de cada cliente, proporcionando suporte para decisões mais estratégicas. Os resultados foram avaliados em conjunto com a equipe do laboratório, visando a integração do modelo ao sistema PowerBI. Essa integração permitirá o monitoramento de indicadores chave de desempenho e a melhoria da gestão do laboratório. As limitações do estudo, relacionadas à disponibilidade de dados, apontam para a necessidade de pesquisas futuras que explorem a influência dos preços dos serviços e suas interações na percepção do cliente.

Pricing metrology services is a crucial challenge for laboratories aiming to optimize profits and maintain competitiveness in an increasingly demanding market. This work proposes a machine learning model to estimate the probability of quote acceptance, applying predictive approaches to optimize the pricing process within a metrology laboratory in Santa Catarina, Brazil. The methodology involved collecting, analyzing, and processing historical data from the laboratory. Logistic Regression, Support Vector Machine (SVM), and XGBoost models were trained and fine-tuned. The XGBoost model, after hyperparameter optimization, exhibited the best performance, achieving an AUC of 0.7982 and accuracy of 73.76%, surpassing the other models. The developed tool enables dynamic pricing, adapted to market conditions and individual client profiles, supporting more strategic decision-making. The results were evaluated in collaboration with the laboratory team, aiming to integrate the model into the PowerBI system. This integration will allow monitoring of key performance indicators and improve laboratory management. Limitations of the study, related to data availability, highlight the need for future research exploring the influence of service prices and their interactions on client perception.