Mostrar registro simples

dc.contributor.advisorSelau, Lisiane Priscila Roldãopt_BR
dc.contributor.authorGaletto, Rafaela Vidalpt_BR
dc.date.accessioned2022-07-05T05:09:15Zpt_BR
dc.date.issued2022pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/241854pt_BR
dc.description.abstractEste trabalho tem como foco o estudo do perfil de clientes inadimplentes no momento de utilizar um canal de negociação para realizar um acordo de sua dívida em uma empresa financeira. Para realizar o estudo, foi proposta a inclusão de um novo modelo no ciclo de crédito: o modelo de propensão à utilização dos canais de negociação de dívidas disponíveis em um setor de cobrança. O banco de dados utilizado foi disponibilizado por uma empresa do mercado financeiro e é composto de oito meses de negociações realizadas por clientes que estavam inadimplentes na empresa estudada. Foram utilizados dois métodos para realizar a análise dos dados: Regressão Logística Multinomial e o Extreme Gradient Boost. Para escolher o melhor modelo, foi avaliada a matriz de confusão e calculados o Recall, a Precisão e o F-score para cada modelo e para cada canal de negociação. Os dois modelos ajustados apresentaram boa adequação aos dados fornecidos pela instituição financeira. Todavia, o Extreme Gradient Boosting teve métricas mais estáveis entre as amostras de treinamento e validação. Em média, ele demonstrou resultados melhores nas três métricas avaliadas e apresentou mais capacidade de identificar as observações em relação à classe minoritária. Dessa forma, o modelo ajustado utilizando o Extreme Gradient Boosting se mostrou como uma boa alternativa como ferramenta para avaliar a propensão à utilização de canais de negociação e poderá ajudar na elaboração de ações estratégicas na área de cobrança.pt_BR
dc.description.abstractThis work has focused on studying profiles of defaulter clients when using a negotiation channel to settle their debt in a financial company. To undertake this study, it was proposed to include a new model of the credit cycle, the model of propensity to use the debt negotiation channels available in a collection sector. The database used is available by a company from the financial market, and it was made of eight-month negotiations made with clients that were defaulters in the studied company. Two methods were used to analyze the data: The Multinomial Logistic Regression and the Extreme Gradient Boost. To select the best model, the confusion matrix was evaluated and Recall, Precision and F-score were calculated for each model and for each negotiation channel. These two adjusted models have presented great adequacy to the data given by the financial institution. However, Extreme Gradient Boosting had more stable metrics between the training and validation samples. In averaging numbers, it demonstrated better results in the three metrics evaluated, and it presented more capacity for identifying the observations related to the minority class. This way, the adjusted model using Extreme Gradient Boosting proved to be a good alternative as a tool to assess the propensity to use negotiation channels and could help in elaborating strategic actions in the collection area.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectNegotiation channels in collectionen
dc.subjectCobrançapt_BR
dc.subjectRegressão logística multinomialpt_BR
dc.subjectDebt collectingen
dc.subjectExtreme gradient boostingen
dc.subjectMultinomial logistic regressionen
dc.titleComparação entre Regressão Logística Multinomial e Extreme Gradient Boosting para predição de canais de negociação em cobrançapt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.identifier.nrb001144010pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentInstituto de Matemática e Estatísticapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2022pt_BR
dc.degree.graduationEstatística: Bachareladopt_BR
dc.degree.levelgraduaçãopt_BR


Thumbnail
   

Este item está licenciado na Creative Commons License

Mostrar registro simples