Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Francisco, Antonio Carlos de | - |
Autor(es): dc.contributor | Francisco, Antonio Carlos de | - |
Autor(es): dc.contributor | Puglieri, Fabio Neves | - |
Autor(es): dc.contributor | Souza, Jovani Taveira de | - |
Autor(es): dc.creator | Kuchiniski, Bárbara Caroline Turra | - |
Data de aceite: dc.date.accessioned | 2022-02-21T21:24:35Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T21:24:35Z | - |
Data de envio: dc.date.issued | 2020-11-18 | - |
Data de envio: dc.date.issued | 2020-11-18 | - |
Data de envio: dc.date.issued | 2018-06-22 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/16016 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/652004 | - |
Descrição: dc.description | For companies, it is important to define the customer categorization system. In this work, two types of customer focus were address, one of which was the automobile insurance market, this service allows a high degree of interaction between company and customer, being consider a high potential market and in an intense growth phase, but the clients can easily switch from insurer depending on your satisfaction. Another focus is that of credit customers, where customers are allowed to borrow from banks depending on their profile, with credit as a means of boosting productive activities. There is a wide range of data from all types of customers, having each branch the need to profile their customers. In order for companies to know what issues are really need for strategic decision-making, the study of Data Mining was apply. The methods used were Random Projection and Principal Component Analysis (PCA), both using the Naive Bayes, J48 and SVM algorithms, with the help of WEKA software. As a result, significant improvements have been shown in the efficiencies of the classifiers involving the methods employed. The Random Projection approach obtained the best results for the two databases analyzed. The J48 and SVM algorithms presented better performance compared to Naive Bayes among the bases. Therefore, from the chosen subsets, they can be submitted to specific analyzes, in order to direct a more precise identification. | - |
Descrição: dc.description | 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. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Ponta Grossa | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Departamento Acadêmico de Engenharia de Produção | - |
Publicador: dc.publisher | Engenharia de Produção | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Palavras-chave: dc.subject | Clientes - Fidelização | - |
Palavras-chave: dc.subject | Banco de dados | - |
Palavras-chave: dc.subject | Mineração de dados (Computação) | - |
Palavras-chave: dc.subject | Análise de componentes principais | - |
Palavras-chave: dc.subject | Algorítmos | - |
Palavras-chave: dc.subject | Customer loyalty | - |
Palavras-chave: dc.subject | Data bases | - |
Palavras-chave: dc.subject | Data mining | - |
Palavras-chave: dc.subject | Principal components analysis | - |
Palavras-chave: dc.subject | Algorithms | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | - |
Título: dc.title | Aplicação de métodos de mineração de dados em bases de dados de crédito e seguro de clientes | - |
Título: dc.title | Application of data mining methods in credit databases and customer insurance | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: