Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/30930
Registro completo de metadados
Campo DCValorIdioma
dc.creatorCobiank, Douglas Teixeira-
dc.date.accessioned2023-03-27T15:29:52Z-
dc.date.available2023-03-27T15:29:52Z-
dc.date.issued2022-05-23-
dc.identifier.citationCOBIANK, Douglas Teixeira. Modelo de sistema de recomendação para recuperação de crédito com foco na equipe de cobrança. 2022. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2022.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/30930-
dc.description.abstractWith the increase in indebtedness year after year, Brazil is not experiencing a good economic moment, not even for political, economic, health or other reasons. Despite this, the Brazilian people always seek to solve their financial problems. However, when debt payment is not possible, credit protection services become part of the process and debts are protested in court. Taking into account that the advancement of information technology and data intelligence enabled the development of tools that help people in their daily lives, this work proposes the construction of a model of recommendation of actions based on multi-label classification to facilitate the process. of debt collection. This model advocates actions that operators can carry out at the time of collection, which can result in greater assertiveness in contacting debtors, expanding the possibility of paying off debts. In this work, two models were created, with more labels and fewer labels, to perform the multi-label classification, the first, with fewer labels, being statistically better when compared to the second. The accuracy in the first model was on average 71%, which indicates that, if the collection team takes the recommended actions, there is a 71% probability that the debt will be paid off. In this way, the recommendation model based on multi-label classification achieved better results than the normal debt recovery rate, 56%, which demonstrates that it can be an alternative for collection teams at the time of credit recovery.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-sa/4.0/pt_BR
dc.subjectCréditospt_BR
dc.subjectCobrança de contaspt_BR
dc.subjectDívidaspt_BR
dc.subjectProcessamento eletrônico de dadospt_BR
dc.subjectSistemas especialistas (Computação)pt_BR
dc.subjectCreditpt_BR
dc.subjectCollecting of accountspt_BR
dc.subjectDebtpt_BR
dc.subjectElectronic data processingpt_BR
dc.subjectExpert systems (Computer science)pt_BR
dc.titleModelo de sistema de recomendação para recuperação de crédito com foco na equipe de cobrançapt_BR
dc.title.alternativeA recommendation system model for credit recovery focused on the collection teampt_BR
dc.typebachelorThesispt_BR
dc.description.resumoCom o aumento do endividamento ano a ano, o Brasil não vive um bom momento econômico, nem mesmo por motivos políticos, econômicos, de saúde ou outros. Apesar disso, o povo brasileiro sempre busca estar resolvendo seus problemas financeiros. No entanto, quando o pagamento das dívidas não é possível, os serviços de proteção ao crédito passam a fazer parte do processo e as dívidas são protestadas judicialmente. Levando em consideração que o avanço da tecnologia da informação e a inteligência de dados possibilitaram o desenvolvimento de ferramentas que auxiliam as pessoas em seu dia a dia, este trabalho propõe a construção de um modelo de recomendação de ações baseado em classificação multirrótulo para facilitar o processo de cobrança de dívidas. Tal modelo preconiza ações que as operadoras podem realizar no momento da cobrança, e que podem resultar em maior assertividade no contato com os devedores, ampliando a possibilidade de quitação das dívidas. Neste trabalho foram criados dois modelos, com mais rótulos e menos rótulos, para realizar a classificação multirrótulo, sendo o primeiro, com menos rótulos, estatisticamente melhor quando comparado ao segundo. A acurácia no primeiro modelo foi em média de 71%, o que indica que, caso a equipe de cobrança tome as ações recomendadas, existe 71% de probabilidade de que a dívida seja quitada. Dessa forma, o modelo de recomendação baseado em classificação multirrótulo alcançou melhores resultados que a taxa normal de recuperação de dívidas, 47%, o que demonstra que pode ser uma alternativa para equipes de cobrança no momento de recuperação de crédito.pt_BR
dc.degree.localPonta Grossapt_BR
dc.publisher.localPonta Grossapt_BR
dc.contributor.advisor1Schmitke, Luiz Rafael-
dc.contributor.referee1Schmitke, Luiz Rafael-
dc.contributor.referee2Borges, André Pinz-
dc.contributor.referee3Borges, Helyane Bronoski-
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentDepartamento Acadêmico de Informáticapt_BR
dc.publisher.programCiência da Computaçãopt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
Aparece nas coleções:PG - Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
recomendacaocreditoequipecobranca.pdf1,56 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons