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

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Martins, Jonnathan de Almeida
Orientador(a): Vallim Filho, Arnaldo Rabello de Aguiar
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
cobrança de dívidas
CRISP-DM
aprendizado de máquina
Link de acesso: https://dspace.mackenzie.br/handle/10899/40066
Resumo: Este 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.
id UPM_5cdbc10d301f2ed3055136fb94c27a82
oai_identifier_str oai:dspace.mackenzie.br:10899/40066
network_acronym_str UPM
network_name_str Repositório Digital do Mackenzie
repository_id_str
spelling Martins, Jonnathan de AlmeidaVallim Filho, Arnaldo Rabello de Aguiar2025-03-07T12:18:03Z2025-03-07T12:18:03Z2024-08-16https://dspace.mackenzie.br/handle/10899/40066Este 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.porengcobrança de dívidasCRISP-DMaprendizado de máquinaUma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasilinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Digital do Mackenzieinstname:Universidade Presbiteriana Mackenzie (MACKENZIE)instacron:MACKENZIEinfo:eu-repo/semantics/openAccesshttp://lattes.cnpq.br/2511892257148568http://lattes.cnpq.br/7383652000879927Silva, Leandro Augusto dahttp://lattes.cnpq.br/1396385111251741https://orcid.org/0000-0002-8671-3102Fagundes, Eduardo Mayerhttp://lattes.cnpq.br/7567670923844211This 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.debt collectionDebt Collectionmachine learningFaculdade de Computação e Informática (FCI)Computação AplicadaCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOORIGINALJONNATHAN DE ALMEIDA MARTIN_TCM - VERSÃO FINAL - protegido.pdfJONNATHAN DE ALMEIDA MARTIN_TCM - VERSÃO FINAL - protegido.pdfapplication/pdf11750952https://dspace.mackenzie.br/bitstreams/67a3563e-37de-4ab9-9b2b-de2aaac5008a/download29d6e266f9fc4661adbe25208dce3c00MD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-82269https://dspace.mackenzie.br/bitstreams/1d0e13a3-bcdf-45f1-b9d2-cbf39179f3a4/downloadf0d4931322d30f6d2ee9ebafdf037c16MD52falseAnonymousREADTEXTJONNATHAN DE ALMEIDA MARTIN_TCM - VERSÃO FINAL - protegido.pdf.txtJONNATHAN DE ALMEIDA MARTIN_TCM - VERSÃO FINAL - protegido.pdf.txtExtracted texttext/plain189601https://dspace.mackenzie.br/bitstreams/79c803bd-6a25-4e47-ac8b-c7794b88b2ad/downloadb13646e22e89c07b0b39a960b6a05e29MD53falseAnonymousREADTHUMBNAILJONNATHAN DE ALMEIDA MARTIN_TCM - VERSÃO FINAL - protegido.pdf.jpgJONNATHAN DE ALMEIDA MARTIN_TCM - VERSÃO FINAL - protegido.pdf.jpgGenerated Thumbnailimage/jpeg3216https://dspace.mackenzie.br/bitstreams/c54ca120-797b-4eeb-af31-f24a69251a42/download593b40776662052e318510038c28a053MD54falseAnonymousREAD10899/400662025-03-21T13:16:02.487Zopen.accessoai:dspace.mackenzie.br:10899/40066https://dspace.mackenzie.brBiblioteca Digital de Teses e Dissertaçõeshttp://tede.mackenzie.br/jspui/PRIhttps://adelpha-api.mackenzie.br/server/oai/repositorio@mackenzie.br||paola.damato@mackenzie.bropendoar:102772025-03-21T13:16:02Repositório Digital do Mackenzie - Universidade Presbiteriana Mackenzie (MACKENZIE)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
dc.title.none.fl_str_mv Uma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil
title Uma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil
spellingShingle Uma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil
Martins, Jonnathan de Almeida
cobrança de dívidas
CRISP-DM
aprendizado de máquina
title_short Uma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil
title_full Uma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil
title_fullStr Uma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil
title_full_unstemmed Uma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil
title_sort Uma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no Brasil
author Martins, Jonnathan de Almeida
author_facet Martins, Jonnathan de Almeida
author_role author
dc.contributor.author.fl_str_mv Martins, Jonnathan de Almeida
dc.contributor.advisor1.fl_str_mv Vallim Filho, Arnaldo Rabello de Aguiar
contributor_str_mv Vallim Filho, Arnaldo Rabello de Aguiar
dc.subject.por.fl_str_mv cobrança de dívidas
CRISP-DM
aprendizado de máquina
topic cobrança de dívidas
CRISP-DM
aprendizado de máquina
description Este 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.
publishDate 2024
dc.date.issued.fl_str_mv 2024-08-16
dc.date.accessioned.fl_str_mv 2025-03-07T12:18:03Z
dc.date.available.fl_str_mv 2025-03-07T12:18:03Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://dspace.mackenzie.br/handle/10899/40066
url https://dspace.mackenzie.br/handle/10899/40066
dc.language.iso.fl_str_mv por
eng
language por
eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Digital do Mackenzie
instname:Universidade Presbiteriana Mackenzie (MACKENZIE)
instacron:MACKENZIE
instname_str Universidade Presbiteriana Mackenzie (MACKENZIE)
instacron_str MACKENZIE
institution MACKENZIE
reponame_str Repositório Digital do Mackenzie
collection Repositório Digital do Mackenzie
bitstream.url.fl_str_mv https://dspace.mackenzie.br/bitstreams/67a3563e-37de-4ab9-9b2b-de2aaac5008a/download
https://dspace.mackenzie.br/bitstreams/1d0e13a3-bcdf-45f1-b9d2-cbf39179f3a4/download
https://dspace.mackenzie.br/bitstreams/79c803bd-6a25-4e47-ac8b-c7794b88b2ad/download
https://dspace.mackenzie.br/bitstreams/c54ca120-797b-4eeb-af31-f24a69251a42/download
bitstream.checksum.fl_str_mv 29d6e266f9fc4661adbe25208dce3c00
f0d4931322d30f6d2ee9ebafdf037c16
b13646e22e89c07b0b39a960b6a05e29
593b40776662052e318510038c28a053
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Digital do Mackenzie - Universidade Presbiteriana Mackenzie (MACKENZIE)
repository.mail.fl_str_mv repositorio@mackenzie.br||paola.damato@mackenzie.br
_version_ 1863649709519798272

Registros relacionados