Predição da recuperação da inadimplência em operações de crédito
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UnB |
Texto Completo: | http://repositorio.unb.br/handle/10482/30982 |
Resumo: | Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2017. |
id |
UNB_6ef03e608d60002c943fd17848c362da |
---|---|
oai_identifier_str |
oai:repositorio2.unb.br:10482/30982 |
network_acronym_str |
UNB |
network_name_str |
Repositório Institucional da UnB |
repository_id_str |
|
spelling |
Lopes, Rogério GomesLadeira, Marcelo2018-01-04T20:36:56Z2018-01-04T20:36:56Z2018-01-042017-07-31LOPES, Rogério Gomes. Predição da recuperação da inadimplência em operações de crédito. 2017. xv, 82 f., il. Dissertação (Mestrado Profissional em Computação Aplicada)—Universidade de Brasília, Brasília, 2017.http://repositorio.unb.br/handle/10482/30982Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2017.Este trabalho propôs a indução de classificadores, a partir da aplicação de técnicas de mineração de dados,para identificar clientes inadimplentes com potencial de regularização da dívida visando auxiliar uma instituição financeira a reduzir a Provisão para Créditos de Liquidação Duvidosa (PCLD). Estes modelos poderão contribuir para reversão de despesas da instituição financeira. Foram utilizados as técnicas Generalized Linear Models (GLM), Distributed Random Forest (DRF), Deep Learning (DL) e Gradient Boosting Methods (GBM), implementados na plataforma H2O.ai. Alguns aspectos que afetam o comportamento do cliente inadimplente foram identificados, como o perfil de sua renda e a época do ano. Estratégias de recuperação de crédito foram propostas e simulações identificaram possibilidades de redução de despesas operacionais.This works proposes the induction of classifiers, from the application of data mining techniques, to identify defaulting clients with debt settlement potential to assist a financial institution in reducing its provision for doubtful debits. These models may contribute to the reversal of expenses of the financial institution. The techniques Generalized Linear Models (GLM), Distributed Random Forest (DRF), Deep Learning (DL) and Gradient Boosting Methods (GBM) algorithms implemented in the H2O.ai platform were used. Some aspects that affect the behavior of the defaulting customer, such as the profile of their income and the period of the year, have been identified. Strategies of credit recovery strategies were proposed and simulations identified possibilities of reducing operating expenses.InglêsporA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessPredição da recuperação da inadimplência em operações de créditoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMineração de dados (Computação)Inadimplência (Finanças)Aprendizagem de máquinareponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNBORIGINAL2017_RogérioGomesLopes.pdf2017_RogérioGomesLopes.pdfapplication/pdf1328248http://repositorio2.unb.br/jspui/bitstream/10482/30982/1/2017_Rog%c3%a9rioGomesLopes.pdf51169d7c0b756520f1bc9e754d297d79MD51open accessLICENSElicense.txtlicense.txttext/plain673http://repositorio2.unb.br/jspui/bitstream/10482/30982/2/license.txt04587889c0a9cc4613b199de6b76dc6cMD52open access10482/309822023-07-14 15:59:41.845open accessoai:repositorio2.unb.br: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Biblioteca Digital de Teses e DissertaçõesPUBhttps://repositorio.unb.br/oai/requestopendoar:2023-07-14T18:59:41Repositório Institucional da UnB - Universidade de Brasília (UnB)false |
dc.title.pt_BR.fl_str_mv |
Predição da recuperação da inadimplência em operações de crédito |
title |
Predição da recuperação da inadimplência em operações de crédito |
spellingShingle |
Predição da recuperação da inadimplência em operações de crédito Lopes, Rogério Gomes Mineração de dados (Computação) Inadimplência (Finanças) Aprendizagem de máquina |
title_short |
Predição da recuperação da inadimplência em operações de crédito |
title_full |
Predição da recuperação da inadimplência em operações de crédito |
title_fullStr |
Predição da recuperação da inadimplência em operações de crédito |
title_full_unstemmed |
Predição da recuperação da inadimplência em operações de crédito |
title_sort |
Predição da recuperação da inadimplência em operações de crédito |
author |
Lopes, Rogério Gomes |
author_facet |
Lopes, Rogério Gomes |
author_role |
author |
dc.contributor.author.fl_str_mv |
Lopes, Rogério Gomes |
dc.contributor.advisor1.fl_str_mv |
Ladeira, Marcelo |
contributor_str_mv |
Ladeira, Marcelo |
dc.subject.keyword.pt_BR.fl_str_mv |
Mineração de dados (Computação) Inadimplência (Finanças) Aprendizagem de máquina |
topic |
Mineração de dados (Computação) Inadimplência (Finanças) Aprendizagem de máquina |
description |
Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2017. |
publishDate |
2017 |
dc.date.submitted.none.fl_str_mv |
2017-07-31 |
dc.date.accessioned.fl_str_mv |
2018-01-04T20:36:56Z |
dc.date.available.fl_str_mv |
2018-01-04T20:36:56Z |
dc.date.issued.fl_str_mv |
2018-01-04 |
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.citation.fl_str_mv |
LOPES, Rogério Gomes. Predição da recuperação da inadimplência em operações de crédito. 2017. xv, 82 f., il. Dissertação (Mestrado Profissional em Computação Aplicada)—Universidade de Brasília, Brasília, 2017. |
dc.identifier.uri.fl_str_mv |
http://repositorio.unb.br/handle/10482/30982 |
identifier_str_mv |
LOPES, Rogério Gomes. Predição da recuperação da inadimplência em operações de crédito. 2017. xv, 82 f., il. Dissertação (Mestrado Profissional em Computação Aplicada)—Universidade de Brasília, Brasília, 2017. |
url |
http://repositorio.unb.br/handle/10482/30982 |
dc.language.iso.fl_str_mv |
Inglês por |
language_invalid_str_mv |
Inglês |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UnB instname:Universidade de Brasília (UnB) instacron:UNB |
instname_str |
Universidade de Brasília (UnB) |
instacron_str |
UNB |
institution |
UNB |
reponame_str |
Repositório Institucional da UnB |
collection |
Repositório Institucional da UnB |
bitstream.url.fl_str_mv |
http://repositorio2.unb.br/jspui/bitstream/10482/30982/1/2017_Rog%c3%a9rioGomesLopes.pdf http://repositorio2.unb.br/jspui/bitstream/10482/30982/2/license.txt |
bitstream.checksum.fl_str_mv |
51169d7c0b756520f1bc9e754d297d79 04587889c0a9cc4613b199de6b76dc6c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UnB - Universidade de Brasília (UnB) |
repository.mail.fl_str_mv |
|
_version_ |
1803573482109272064 |