Segmentação do perfil de clientes inadimplentes utilizando ferramentas computacionais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBezerra, Manoel Ivanildo Silvestre [UNESP]-
Autor(es): dc.contributorUniversidade Estadual Paulista (Unesp)-
Autor(es): dc.creatorRocha, Evelyn-
Data de aceite: dc.date.accessioned2022-08-04T21:55:17Z-
Data de disponibilização: dc.date.available2022-08-04T21:55:17Z-
Data de envio: dc.date.issued2022-03-29-
Data de envio: dc.date.issued2022-03-29-
Data de envio: dc.date.issued2022-03-26-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/217472-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/217472-
Descrição: dc.descriptionDefault is a term that is very present in the lives of Brazilians, since in 2021 Brazil had its highest average debt level in 11 years. In addition, credit collection and recovery areas sought to increasingly improve their methods of approaching the customer, always aiming at the best strategy and the pursuit of profit. From this, it is possible to see how many studies with a credit recovery approach are important to improve processes and provide preventive actions, being these objectives of this work. Throughout the text it is possible to understand the credit path or the credit collection and recovery process, understand how some computational tools work, succinctly absorb the resource theory in logistics in addition to seeing it in practice from a mixed approach. among other Python and R software. In those evaluated under construction, the pre-feasible model to segment the profile of customers into non-defaulting customers was shown to be viable, whether a digital profile or not.-
Descrição: dc.descriptionA inadimplência é um termo muito presente na vida dos brasileiros, visto que em 2021 o Brasil teve o seu maior nível de endividamento médio em 11 anos. Diante disso, áreas de cobrança e recuperação de crédito buscam esforços para melhorar cada vez mais seus métodos de abordagem ao cliente, sempre visando a melhor estratégia e a busca pelo lucro. A partir disso, é possível ver o quanto estudos com abordagem em recuperação de crédito são importantes para melhorar processos e proporcionar ações preventivas, sendo esses os objetivos deste trabalho. No decorrer do texto é possível entender o caminho do crédito até o processo de cobrança e recuperação de crédito, entender como algumas ferramentas computacionais funcionam, absorver de forma sucinta a teoria de regressão logística além de vê-la na prática a partir de uma abordagem mista entre algoritmos de software Python e R. Nas análises realizadas, foi demonstrado ser viável a construção de um modelo preditivo para segmentar o perfil de clientes inadimplentes, sendo a variável resposta o cliente ter um perfil digital ou não.-
Descrição: dc.descriptionNão recebi financiamento-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (Unesp)-
Direitos: dc.rightsAcesso aberto-
Palavras-chave: dc.subjectDefault-
Palavras-chave: dc.subjectLogistic regression-
Palavras-chave: dc.subjectComputational tools-
Palavras-chave: dc.subjectInadimplência (Finanças)-
Palavras-chave: dc.subjectRegressão logística-
Palavras-chave: dc.subjectFerramentas computacionais-
Palavras-chave: dc.subjectEstatística-
Palavras-chave: dc.subjectAnálise de regressão logística-
Palavras-chave: dc.subjectBig data-
Palavras-chave: dc.subjectProgramas de computador-
Título: dc.titleSegmentação do perfil de clientes inadimplentes utilizando ferramentas computacionais-
Título: dc.titleProfilsegmentierung von säumigen kunden mithilfe von computertools-
Título: dc.titleProfile segmentation of defaulting customers using computational tools-
Título: dc.titleSegmentación de perfiles de clientes morosos utilizando herramientas computacionales-
Título: dc.titleकम्प्यूटेशनल टूल का उपयोग करने वाले चूककर्ता ग्राहकों का प्रोफ़ाइल विभाजन-
Título: dc.title使用計算工具對違約客戶進行剖析-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.