Ferramenta de machine learning para predição de inadimplência em operações de crédito: uma aplicação em carteira de crédito de uma cooperativa
| dc.contributor.advisor | Vallim Filho, Arnaldo Rabello de Aguiar | |
| dc.contributor.author | Lima, Eduardo Chiariello Pereira | |
| dc.date.accessioned | 2025-05-20T15:20:37Z | |
| dc.date.available | 2025-05-20T15:20:37Z | |
| dc.date.issued | 2025-03-03 | |
| dc.description.abstract | Objetivo: Este estudo tem como objetivo desenvolver e implementar uma ferramenta de Machine Learning (ML), um campo da Inteligência Artificial (IA) focado no desenvolvimento de algoritmos que aprendem padrões a partir de dados, para prever e mitigar o risco de inadimplência, utilizando como estudo de caso uma cooperativa de crédito. Metodologia/Abordagem: A pesquisa adotou uma abordagem aplicada, nos moldes de uma pesquisa-ação, onde técnicas de Machine Learning foram aplicadas a uma base de dados contendo mais de 91 mil contratos de crédito ativos até agosto de 2023. O processo incluiu o processamento e normalização da base de dados e a posterior aplicação de diversos modelos preditivos, como Random Forest, Gradient Boosted Trees e Redes Neurais Artificiais, para avaliar sua eficácia na previsão da inadimplência. Resultados: Os resultados apontaram que o modelo Gradient Boosted Trees apresentou o melhor desempenho, com 98,32% de acurácia e um F-score de 0,91, destacando as variáveis Risco da Operação e Produto como as mais influentes. Implicações Práticas: A ferramenta desenvolvida tem potencial de aumentar a eficiência e eficácia operacional, permitindo que gestores antecipem riscos e tomem decisões estratégicas embasadas. Originalidade: O estudo explora a aplicação de técnicas avançadas de Machine Learning no contexto de cooperativas de crédito brasileiras, um campo ainda pouco explorado. Contribuições: O estudo contribui teoricamente ao expandir o conhecimento sobre o uso dessas tecnologias para gestão de risco e fornece um guia prático para futuras aplicações. As implicações práticas são promissoras, destacando o potencial de automação e precisão desses modelos para a gestão de crédito em cooperativas. Limitações da Pesquisa: No entanto, o estudo possui a limitação de que a análise foi focada em apenas uma cooperativa, o que pode restringir a generalização dos resultados. Pesquisas futuras devem expandir o estudo para outras instituições com o intuito de validar e aprimorar os modelos. | |
| dc.description.sponsorship | CNPQ - Conselho Nacional de Desenvolvimento Científico e Tecnológico | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/40842 | |
| dc.language.iso | pt_BR | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.publisher.country | Brasil | |
| dc.publisher.initials | UPM | |
| dc.subject | inadimplência | |
| dc.subject | risco de crédito | |
| dc.subject | inteligência artificial | |
| dc.subject | machine learning | |
| dc.subject | cooperativa de crédito | |
| dc.title | Ferramenta de machine learning para predição de inadimplência em operações de crédito: uma aplicação em carteira de crédito de uma cooperativa | |
| dc.type | Dissertação | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/2511892257148568 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0003-4100-4975 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/7471909970095913 | |
| local.contributor.board1 | Yoshikuni, Adilson Carlos | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/6436446845747176 | |
| local.contributor.board1Orcid | https://orcid.org/0000-0003-4611-6933 | |
| local.contributor.board2 | Bonizio, Roni Cleber | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/1277604745055331 | |
| local.contributor.board2Orcid | https://orcid.org/0000-0002-2794-3274 | |
| local.description.abstracten | Objective: This study aims to develop and implement a Machine Learning (ML) tool, a field of Artificial Intelligence (AI) focused on developing algorithms that learn patterns from data, to predict and mitigate credit default risk, using a credit cooperative as a case study. Methodology/Approach: The research followed an applied approach, modeled as action research, where Machine Learning techniques were applied to a database containing over 91,000 active credit contracts as of August 2023. The process included data processing and normalization, followed by the application of various predictive models such as Random Forest, Gradient Boosted Trees, and Artificial Neural Networks to evaluate their effectiveness in predicting defaults. Results: The results indicated that the Gradient Boosted Trees model performed the best, with 98.32% accuracy and an F-score of 0.91, highlighting the variables Operation Risk and Product as the most influential. Practical Implications: The developed tool has the potential to increase operational efficiency and effectiveness, enabling managers to anticipate risks and make data-driven strategic decisions. Originality: The study explores the application of advanced Machine Learning techniques in the context of Brazilian credit unions, an area that remains largely unexplored. Contributions: The study contributes theoretically by expanding knowledge on the use of these technologies for risk management and provides a practical guide for future applications. The practical implications are promising, emphasizing the potential for automation and precision of these models in credit management for cooperatives. Research Limitations: However, the study is limited by its focus on a single credit union, which may restrict the generalizability of the results. Future research should expand the study to other institutions to validate and enhance the models. | |
| local.keywords | default | |
| local.keywords | credit risk | |
| local.keywords | artificial intelligence | |
| local.keywords | machine learning | |
| local.keywords | credit union | |
| local.publisher.department | Centro de Ciências Sociais e Aplicadas (CCSA) | |
| local.publisher.program | Controladoria e Finanças Empresariais | |
| local.subject.cnpq | CNPQ::CIENCIAS SOCIAIS APLICADAS |