O estudo atual tenta preencher esta lacuna considerando cinco variáveis básicas e importantes além do RFM nas lojas, ou seja, prêmio, desconto, aceitação de devoluções, atraso na distribuição e o número de itens, para que os empresários possam entender o papel que os serviços como prêmios, desconto, distribuição e aceitação de devoluções desempenham na requalificação dos clientes e evitar que eles se agitam. Outra inovação do estudo atual é a comparação dos métodos de aprendizagem da máquina com as suas versões de boosting e ensacamento, especialmente considerando o fato de que os estudos anteriores não consideram o método de ensacamento. A outra razão para o estudo é o conflito de resultados quanto à superioridade dos métodos de machine-learning em uma previsão mais precisa dos comportamentos dos clientes, incluindo a batedura. Por exemplo, alguns estudos introduzem ANN (Huang et al., 2010; Hung and Wang, 2004; Keramati et al., 2014; Runge et al., 2014), alguns introduzem máquina vetorial de suporte ( Guo-en e Wei-dong, 2008; Vafeiadis et al., 2015; Yu et al, 2011) e alguns introduzem DT (Freund e Schapire, 1996; Qureshi et al., 2013; Umayaparvathi e Iyakutti, 2012) como o melhor preditor, confundindo os utilizadores dos resultados destes estudos quanto ao melhor método de previsão. O estudo atual identifica o melhor método de previsão especificamente no campo de negócios de lojas para pesquisadores e proprietários. Além disso, outra inovação do estudo atual é a utilização de análise discriminante para selecionar e filtrar variáveis importantes e eficazes na previsão de churners e não churners, que não é utilizada em estudos anteriores. Portanto, o estudo atual é único, considerando as variáveis utilizadas, o método de comparação de sua precisão e o método de seleção de variáveis efetivas.