A duração da interrupção de energia para consumidores (índice DEC) é um importante indicador da qualidade do serviço de distribuição de energia elétrica. A princípio, são inúmeras as características (features) que afetam o índice DEC dentre eles os investimentos, variáveis climáticas, dimensionamento das equipes de manutenção, a qualidade dos ativos elétricos, dentre outras. Neste trabalho, modelos de statistical science e machine learning são combinados para predizer, com máxima acurácia o índice DEC. Informações sobre os conjuntos elétricos da CEMIG-D são utilizados para estimar Structural Equation Models (Modelos de Equações Estruturais), ou seja, modelos estatísticos que apresentam máxima capacidade explicativa. Para aprimorar a capacidade preditiva para o índice DEC são utilizados modelos híbridos multicamadas. Esses modelos são baseados no método do Gradient Boosting, desenvolvido por Friedman (2001). Ao contrário de simplesmente utilizar os modelos e comparar os resultados, o foco é montar Modelos Híbridos Multi-Camadas para Business Analytics: o caso da CEMIG-Dum modelo híbrido de forma a alcançar máxima interpretabilidade e capacidade preditiva. No contexto de Business Analytics, o modelo deve ser capaz de caracterizar claramente os objetivos para a melhoria da qualidade da empresa o que favorece os modelos de Statistical Science, mas a capacidade preditiva é uma das características primordiais dos modelos de Machine Learning. Diferentes camadas são testadas utilizando métodos de Regression Trees (Árvores de Regressão), Random Forests (Florestas Aleatórias), xgboost e Artificial Neural Networks. Como a última camada do modelo híbrido, é utilizado um método de regionalização espacial (spatial clustering) para identificar regiões geográficas onde o índice DEC está acima ou abaixo do valor esperado. Para a empresa, o conhecimento das causas mais prováveis que afetam a qualidade dos seus serviços é fundamental para a sua gestão a melhoria dos seus retornos financeiros.