A❌ Ajustar hiperparâmetros não resolve o problema, pois a relação entre as variáveis e o churn mudou. Dados históricos antigos não refletem mais o comportamento atual.

B ✅ Correta. Há concept drift, pois as distribuições das features permanecem estáveis, mas a relação entre as features e a variável-alvo (churn) mudou. O modelo deve ser retreinado com dados recentes.

C ❌ A estabilidade das features não garante que o modelo continue eficaz. Mudanças no comportamento dos clientes podem reduzir seu desempenho.

D ❌ Não há data drift, pois as distribuições das features não mudaram. O problema está na relação entre as features e o churn.

E ❌ Não há evidência de data drift. O cenário descreve apenas concept drift, não ambos simultaneamente.

Macete:

Mudou a distribuição das features → Data Drift.

Mudou a relação entre features e target → Concept Drift. ✅

A alternativa correta é a B: está sofrendo de concept drift, uma vez que a relação entre as features e o target mudou, requerendo retreinamento do modelo com dados recentes que reflitam o novo comportamento dos clientes;

• Concept Drift (Deriva de Conceito): Ocorre exatamente quando as propriedades estatísticas da variável-alvo (o que você quer prever) e a sua relação com as variáveis de entrada mudam ao longo do tempo, mesmo que a distribuição das variáveis de entrada permaneça a mesma ($P(Y\vert{}X)$ muda enquanto $P(X)$ permanece estável). É o caso clássico descrito, onde a mudança de comportamento dos consumidores alterou a dinâmica do churn.
• Por que não é Data Drift (Deriva de Dados)? O data drift (ou covariate shift) acontece quando a distribuição das features de entrada ($P(X)$) muda com o tempo. O enunciado afirma explicitamente que as distribuições estatísticas das features permaneceram estáveis.