Uma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil

Página do item simplificado
dc.contributor.advisorVallim Filho, Arnaldo Rabello de Aguiar
dc.contributor.authorMartins, Jonnathan de Almeida
dc.date.accessioned2025-03-07T12:18:03Z
dc.date.available2025-03-07T12:18:03Z
dc.date.issued2024-08-16
dc.description.abstractEste trabalho concentra-se nas complexidades enfrentadas pelas operações financeiras ao lidar com a cobrança de dívidas em um cenário de elevada inadimplência no Brasil. Em contrapartida às abordagens tradicionais comumente empregadas para fortalecer a capacidade de negociação de uma empresa, propõe-se a implementação de um modelo preditivo para ser utilizado como uma nova ferramenta de apoio nas ações de cobrança de dívidas. Para isso, foi desenvolvida uma abordagem seguindo a metodologia Cross-Industry Standard Process for Data Mining (CRISP-DM), incorporando técnicas avançadas de pré processamento de dados, engenharia e seleção de atributos, uso de algoritmos de classificação e avaliação rigorosa dos resultados obtidos, com o objetivo de prever o canal de negociação de preferência do cliente em situação de inadimplência quando recebem comunicações de cobrança e buscam negociar suas dívidas em uma plataforma digital no Brasil. A principal contribuição deste trabalho foi propor uma abordagem metodológica inovadora oferecendo resultados valiosos para aprimorar as praticas das empresas de cobrança de dívidas, além de contribuir para o avanço do conhecimento no campo do estudo.
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/40066
dc.language.isopt_BR
dc.language.isoen
dc.subjectcobrança de dívidas
dc.subjectCRISP-DM
dc.subjectaprendizado de máquina
dc.titleUma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil
dc.typeDissertação
local.contributor.advisorLatteshttp://lattes.cnpq.br/2511892257148568
local.contributor.authorLatteshttp://lattes.cnpq.br/7383652000879927
local.contributor.board1Silva, Leandro Augusto da
local.contributor.board1Latteshttp://lattes.cnpq.br/1396385111251741
local.contributor.board1Orcidhttps://orcid.org/0000-0002-8671-3102
local.contributor.board2Fagundes, Eduardo Mayer
local.contributor.board2Latteshttp://lattes.cnpq.br/7567670923844211
local.description.abstractenThis study focuses on the complexities faced by financial operations when dealing with debt collection in a scenario of high default rates in Brazil. In contrast to the tradi tional approaches commonly employed to strengthen a company’s negotiation capacity, the implementation of a predictive model is proposed to serve as a new supporting tool in debt collection actions. For this purpose, an approach was developed following the Cross-Industry Standard Process for Data Mining methodology (CRISP-DM), incorpora ting advanced data preprocessing techniques, feature engineering and selection, the use of classification algorithms, and rigorous evaluation of the results obtained, aiming to predict the preferred negotiation channel of the customer in default when receiving debt collection communications and seeking to negotiate their debts on a digital platform in Brazil. The main contribution of this work was to propose an innovative methodological approach offering valuable results to enhance the practices of debt collection companies, as well as contributing to the advancement of knowledge in the field of study.
local.keywordsdebt collection
local.keywordsDebt Collection
local.keywordsmachine learning
local.publisher.departmentFaculdade de Computação e Informática (FCI)
local.publisher.programComputação Aplicada
local.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
JONNATHAN DE ALMEIDA MARTIN_TCM - VERSÃO FINAL - protegido.pdf
Tamanho:
11.21 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.22 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Computação Aplicada (Mestrado Profissional) - Dissertações - FCI Higienópolis