Utilização de modelos de aprendizado de máquina para a classificação da satisfação de usuários nos aeroportos do Brasil

Abstract

Este artigo descreve a aplicação de técnicas de aprendizado de máquina (AM) utilizando os dados da pesquisa de satisfação de usuários em vários aeroportos no Brasil para classificá-los de acordo com sua satisfação. Foram utilizados os métodos K-Nearest Neighbors (KNN), Naïve Bayes, Árvore de Decisões e Floresta Aleatória para classificar a satisfação dos usuários, e a regressão linear para a imputação de dados, utilizando o conjunto de dados de 2017 a 2022 como conjunto de treinamento. Os dados foram previamente processados e limpos. O conjunto de dados de 2017 a 2022 foi utilizado para treinar o modelo, enquanto o conjunto de dados mais recente de 2023 foi utilizado como conjunto para teste. Após a classificação, a técnica de hiperparâmetros foi aplicada para melhorar os resultados das métricas. Os modelos de aprendizado de máquina apresentaram resultados satisfatórios na classificação dos usuários. Além disso, a pesquisa revelou os principais fatores que afetam a satisfação dos clientes nos aeroportos, destacando o conforto acústico do aeroporto, a disponibilidade de sanitários e a quantidade e qualidade de estabelecimentos comerciais como os mais influentes.