Aplicação de métodos de mineração de dados em bases de dados de crédito e seguro de clientes

• Autor(a) principal: Kuchiniski, Bárbara Caroline Turra
• Data de Publicação: 2018
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/16016
• topic: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO; Clientes - Fidelização; Banco de dados; Mineração de dados (Computação); Análise de componentes principais; Algorítmos; Customer loyalty; Data bases; Data mining; Principal components analysis; Algorithms

Para as empresas consideram importante definir o sistema de categorização dos clientes. Neste trabalho, foram abordados dois tipos de focos de clientes, um deles foi o mercado de seguro automobilístico, este serviço permite um alto grau de interação empresa-cliente, sendo considerado um mercado de alto potencial e em fase de crescimento intenso, porém os clientes podem mudar facilmente de seguradora dependendo de sua satisfação. Outro foco, são os de clientes de créditos, onde os clientes são permitidos a adquirem créditos de empréstimos pelos bancos dependendo do seu perfil, tendo como importância dos créditos como meio de impulsionar as atividades produtivas. Existem um grande leque de dados de todos os tipos de clientes, tendo que cada ramo a necessidade de traçar o perfil dos seus clientes. Para que as empresas possam saber quais as questões que são realmente necessárias para a tomada de decisão estratégicas aplicou-se o estudo da Mineração de Dados. Os métodos empregados foram: Projeção Aleatória e a Análise de Componentes Principais (PCA), ambos utilizando os algoritmos Naive Bayes, J48 e SVM, com o auxílio do software WEKA. Como resultado, foram mostradas melhoras significativas nas eficiências dos classificadores envolvendo os métodos empregados. A abordagem de Projeção Aleatória obteve os melhores resultados para as duas bases de dados analisadas. Os algoritmos J48 e SVM apresentaram melhor desempenho comparado com o Naive Bayes dentre as bases. Portanto, a partir dos subconjuntos escolhidos, podem ser submetidos a análises específicas, no intuito de direcionar uma identificação mais precisas.