[en] MACHINE LEARNING METHODS APPLIED TO PREDICTIVE MODELS OF CHURN FOR LIFE INSURANCE

• Ano de defesa: 2018
• Autor(a) principal: THAIS TUYANE DE AZEVEDO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] APRENDIZADO DE MAQUINA; [pt] SMOTE; [pt] OVER SAMPLING; [pt] UNDER SAMPLING; [pt] DADO DESBALANCEADO; [pt] RANDOM FOREST; [pt] BAGGING; [pt] PROPENSAO A CANCELAMENTO; [pt] BOOSTING; [pt] SEGURO DE VIDA; [pt] ARVORE DE DECISAO; [en] MACHINE LEARNING; [en] SMOTE; [en] OVER SAMPLING; [en] UNDER SAMPLING; [en] UNBALANCED DATA; [en] RANDOM FOREST; [en] BAGGING; [en] CANCELLATION PROPENSITY; [en] BOOSTING; [en] LIFE INSURANCE; [en] DECISION TREE
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35235&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35235&idi=2; http://doi.org/10.17771/PUCRio.acad.35235

[pt] O objetivo deste estudo foi explorar o problema de churn em seguros de vida, no sentido de prever se o cliente irá cancelar o produto nos próximos 6 meses. Atualmente, métodos de machine learning vêm se popularizando para este tipo de análise, tornando-se uma alternativa ao tradicional método de modelagem da probabilidade de cancelamento através da regressão logística. Em geral, um dos desafios encontrados neste tipo de modelagem é que a proporção de clientes que cancelam o serviço é relativamente pequena. Para isso, este estudo recorreu a técnicas de balanceamento para tratar a base naturalmente desbalanceada – técnicas de undersampling, oversampling e diferentes combinações destas duas foram utilizadas e comparadas entre si. As bases foram utilizadas para treinar modelos de Bagging, Random Forest e Boosting, e seus resultados foram comparados entre si e também aos resultados obtidos através do modelo de Regressão Logística. Observamos que a técnica SMOTE-modificado para balanceamento da base, aplicada ao modelo de Bagging, foi a combinação que apresentou melhores resultados dentre as combinações exploradas.