Modelos de previsão de desligamento de clientes visam detectar clientes com alta probabilidade de cancelamento do contrato, com base no uso dos serviços oferecidos. Propomos uma abordagem temporal para a etapa de rotulagem, baseada na redução da frequência de uso dos serviços, por meio do comportamento de cada cliente. Também propomos uma arquitetura de rede neural temporal para a tarefa. A abordagem foi avaliada em um conjunto de dados reais, fornecido por uma empresa brasileira do setor financeiro. A rede neural convolucional temporal alcançou uma acurácia de 82, 63%, uma sensibilidade de 61, 5% e uma precisão de 41, 58%, superando outros classificadores tradicionais (XG-Boost e Floresta Aleatória).

Hoje vivemos uma mudança de paradigma no setor financeiro, com forte redução das agências bancárias físicas e aumento de serviços online. Contudo, a facilidade de abertura de contas digitais propiciada por esta mudança de paradigma também tem levado a um aumento nos casos de fraude. Este trabalho apresenta o problema de detecção de fraude financeira sob uma nova taxonomia e, também, investiga técnicas de classificação hierárquica para a tarefa. A abordagem hierárquica global (CLUS-HMC), em que toda a hierarquia de classes é considerada pelo classificador, resultou em melhores valores de Recall para as classes fraudulentas (33.31% para classe E e 35.09% para classe F), indicando um caminho de pesquisa promissor.