Modelagem estatística para gestão de carteira de clientes : aplicação em telecomunicações

Detalhes bibliográficos
Autor(a) principal: Brevi, Flaviane Peccin
Data de Publicação: 2012
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/29721
Resumo: Orientador: Prof. Dr. Anselmo Chaves Neto
id UFPR_02a78a404f9b801cb07c73ad1082a2ef
oai_identifier_str oai:acervodigital.ufpr.br:1884/29721
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em EngenhariaChaves Neto, Anselmo, 1945-Brevi, Flaviane Peccin2024-05-16T14:53:22Z2024-05-16T14:53:22Z2012https://hdl.handle.net/1884/29721Orientador: Prof. Dr. Anselmo Chaves NetoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas e Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 05/10/2012Bibliografia: fls. 74-75Área de concentração: Programação matemáticaResumo: O setor de telecomunicações brasileiro entrou num processo contínuo de expansão após as privatizações que ocorreram na década de 1990. Com esse processo, entraram nesse mercado novos competidores e novas tecnologias. Isso foi benéfico para o consumidor, que atualmente tem mais opções de escolha de prestadoras do serviço. Por outro lado, as empresas que oferecem esse serviço precisam quantificar as probabilidades de esses clientes pagarem pelo serviço prestado. Nesse contexto, este trabalho tem por objetivos mapear as variáveis que podem ser consideradas fatores de risco para inadimplência, construir um modelo preditivo para estimar a probabilidade de pagamento das faturas mensais e avaliar a possibilidade da implantação desse modelo num sistema automático de decisão. Para o desenvolvimento dos modelos, foram considerados 43.339 clientes da empresa em estudo, que contrataram os serviços entre janeiro e dezembro de 2007. Esses clientes foram acompanhados por doze meses para avaliar sua performance quanto ao pagamento de suas faturas mensais. Dessa forma, a amostra foi dividida em dois grupos, denominados bons e maus. Clientes bons são aqueles que, durante os doze meses, atingiram no máximo cinco dias em atraso, no total de 23.095 clientes. Maus são aqueles que atingiram 90 dias ou mais de atraso para pagamento de pelo menos uma fatura no período observado, no total de 20.244 clientes. Os clientes que tiveram atraso maior que cinco dias em alguma das faturas, mas não atingiram noventa dias de atraso foram classificados como indeterminados e não fazem parte da amostra em estudo. Com o objetivo de segmentar a amostra em grupos homogêneos, antes de desenvolver o modelo preditivo, foi aplicada a Análise de Cluster. Por meio dessa metodologia, não foi possível obter agrupamentos de clientes. Isso se deve à homogeneidade do grupo em estudo, que gera alta concentração num único cluster. Para obter os modelos preditivos que estimam a probabilidade de pagamento, foi utilizada a Regressão Logística. As variáveis preditoras foram consideradas no modelo por duas formas: a primeira utilizando variáveis dummies; a segunda, o WOE (Weight of Evidence). Em ambas as formas de ajuste do modelo, foram identificados fatores de risco semelhantes, tais como parcelamento, alertas de fraude, altos valores de fatura e baixos históricos de pagamentos, clientes novos, tipo de produto contratado e perfil de consumo. Além desses, algumas regiões podem ser apontadas como fatores de risco, identificadas por meio de CEP, cidade e estado.Abstract: The Brazilian sector of telecommunications witnessed a streak of continuous expansion after becoming privatized in the 1990's. During this process many new competitors and new forms of technology were introduced to the market. This expansion benefitted the consumer by offering more options and services to choose from. On the other hand, the companies that offer these services need to analyze the possibility that the clients will pay for the service being given. Given this fact, the companies must chart the variables that can be considered factors which indicate risk of default, and construct a predictive model to estimate the probability of monthly payments being made along with assessing the possibility of implementing this model in an automatic decision-making process. 43.339 clients of the company which contracted the services of the company between January and December of 2007 were considered when developing this model. These clients were tracked for twelve months to assess their tendencies related to their monthly payments. This sample was divided into two groups named Good and Bad. Good clients were those who during the twelve months had a maximum of five late days in making their payments. The number of clients in this group was 23.095. Bad clients were those who had total of 90 late days in making their payments. The number of clients in this group was 20.244. A Cluster Analysis was used with the purpose of segmenting the sample before developing the predictive model. By using this methodology it was not possible to group these clients. This was due to the group homogeneity in the study that created a high concentration while using only one cluster. Logistic Regression was used to obtain predictive models that estimate the possibility of payment. The predictable variables were considered in the model by using two forms. The first form used dummies variables and the second form used WOE (Weight of Evidence) variables. In both forms for the model, similar risk factors were identified, such as division of payments, fraud alert, high and low payment values, new clients, the type of product purchased, and the costumer profile. Besides these factors, some geographic regions can be seen as contributing to risk. These regions can be identified by tracking area codes, cities and states.120f. : il., grafs., tabs.application/pdfDisponível em formato digitalTelecomunicaçõesInadimplência (Finanças)Analise por conglomeradosAnálise numéricaModelagem estatística para gestão de carteira de clientes : aplicação em telecomunicaçõesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - FLAVIANE PECCIN BREVI.pdfapplication/pdf2440929https://acervodigital.ufpr.br/bitstream/1884/29721/1/R%20-%20D%20-%20FLAVIANE%20PECCIN%20BREVI.pdf57e5efd298e4bd1b15c6a30d3a1f3abaMD51open accessTEXTR - D - FLAVIANE PECCIN BREVI.pdf.txtExtracted Texttext/plain227645https://acervodigital.ufpr.br/bitstream/1884/29721/2/R%20-%20D%20-%20FLAVIANE%20PECCIN%20BREVI.pdf.txt414c742777b101f2be72b4d245fdda6eMD52open accessTHUMBNAILR - D - FLAVIANE PECCIN BREVI.pdf.jpgGenerated Thumbnailimage/jpeg1396https://acervodigital.ufpr.br/bitstream/1884/29721/3/R%20-%20D%20-%20FLAVIANE%20PECCIN%20BREVI.pdf.jpg6214e5c841661e0e7e5d1c934900eadcMD53open access1884/297212024-05-16 11:53:22.984open accessoai:acervodigital.ufpr.br:1884/29721Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-05-16T14:53:22Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Modelagem estatística para gestão de carteira de clientes : aplicação em telecomunicações
title Modelagem estatística para gestão de carteira de clientes : aplicação em telecomunicações
spellingShingle Modelagem estatística para gestão de carteira de clientes : aplicação em telecomunicações
Brevi, Flaviane Peccin
Telecomunicações
Inadimplência (Finanças)
Analise por conglomerados
Análise numérica
title_short Modelagem estatística para gestão de carteira de clientes : aplicação em telecomunicações
title_full Modelagem estatística para gestão de carteira de clientes : aplicação em telecomunicações
title_fullStr Modelagem estatística para gestão de carteira de clientes : aplicação em telecomunicações
title_full_unstemmed Modelagem estatística para gestão de carteira de clientes : aplicação em telecomunicações
title_sort Modelagem estatística para gestão de carteira de clientes : aplicação em telecomunicações
author Brevi, Flaviane Peccin
author_facet Brevi, Flaviane Peccin
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em Engenharia
dc.contributor.advisor1.fl_str_mv Chaves Neto, Anselmo, 1945-
dc.contributor.author.fl_str_mv Brevi, Flaviane Peccin
contributor_str_mv Chaves Neto, Anselmo, 1945-
dc.subject.por.fl_str_mv Telecomunicações
Inadimplência (Finanças)
Analise por conglomerados
Análise numérica
topic Telecomunicações
Inadimplência (Finanças)
Analise por conglomerados
Análise numérica
description Orientador: Prof. Dr. Anselmo Chaves Neto
publishDate 2012
dc.date.issued.fl_str_mv 2012
dc.date.accessioned.fl_str_mv 2024-05-16T14:53:22Z
dc.date.available.fl_str_mv 2024-05-16T14:53:22Z
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://hdl.handle.net/1884/29721
url https://hdl.handle.net/1884/29721
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 120f. : il., grafs., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/29721/1/R%20-%20D%20-%20FLAVIANE%20PECCIN%20BREVI.pdf
https://acervodigital.ufpr.br/bitstream/1884/29721/2/R%20-%20D%20-%20FLAVIANE%20PECCIN%20BREVI.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/29721/3/R%20-%20D%20-%20FLAVIANE%20PECCIN%20BREVI.pdf.jpg
bitstream.checksum.fl_str_mv 57e5efd298e4bd1b15c6a30d3a1f3aba
414c742777b101f2be72b4d245fdda6e
6214e5c841661e0e7e5d1c934900eadc
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860202934304768

Registros relacionados