Predição da recuperação da inadimplência em operações de crédito

Detalhes bibliográficos
Autor(a) principal: Lopes, Rogério Gomes
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:10482/30982QSBjb25jZXNzw6NvIGRhIGxpY2Vuw6dhIGRlc3RhIGNvbGXDp8OjbyByZWZlcmUtc2UgYW8gdGVybW8gZGUgYXV0b3JpemHDp8OjbyBpbXByZXNzbyBhc3NpbmFkbyANCnBlbG8gYXV0b3IgY29tIGFzIHNlZ3VpbnRlcyBjb25kacOnw7VlczoNCg0KTmEgcXVhbGlkYWRlIGRlIHRpdHVsYXIgZG9zIGRpcmVpdG9zIGRlIGF1dG9yIGRhIHB1YmxpY2HDp8OjbywgYXV0b3Jpem8gYSBVbml2ZXJzaWRhZGUgZGUgQnJhc8OtbGlhDQogZSBvIElCSUNUIGEgZGlzcG9uaWJpbGl6YXIgcG9yIG1laW8gZG9zIHNpdGVzIHd3dy5iY2UudW5iLmJyLCB3d3cuaWJpY3QuYnIsDQogaHR0cDovL2hlcmN1bGVzLnZ0bHMuY29tL2NnaS1iaW4vbmRsdGQvY2hhbWVsZW9uP2xuZz1wdCZza2luPW5kbHRkIHNlbSByZXNzYXJjaW1lbnRvIGRvcyANCmRpcmVpdG9zIGF1dG9yYWlzLCBkZSBhY29yZG8gY29tIGEgTGVpIG7CuiA5NjEwLzk4LCBvIHRleHRvIGludGVncmFsIGRhIG9icmEgZGlzcG9uaWJpbGl6YWRhLCAgY29uZm9ybWUgcGVybWlzc8O1ZXMgYXNzaW5hbGFkYXMsIHBhcmEgZmlucyBkZSBsZWl0dXJhLCBpbXByZXNzw6NvIGUvb3UgZG93bmxvYWQsIGEgdMOtdHVsbyBkZSBkaXZ1bGdhw6fDo28gZGEgcHJvZHXDp8OjbyBjaWVudMOtZmljYSBicmFzaWxlaXJhLCBhIHBhcnRpciBkZXN0YSBkYXRhLg==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

Registros relacionados