Análise de sentimentos para revisão de pagamentos: proposta de um modelo com base em técnicas de aprendizagem de máquina
Nenhuma Miniatura disponível
Citações na Scopus
Tipo de produção
Tese
Data
2024
Autores
Sacramento, E. S.
Orientador
Huertas, Melby K. Z.
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
SACRAMENTO, E. S. Análise de sentimentos para revisão de pagamentos: proposta de um modelo com base em técnicas de aprendizagem de máquina. 2024. 81 f. Tese (Doutorado em Administração de Empresas) - Centro Universitário FEI, São Paulo, 2024. Disponível em: https://doi.org/10.31414/ADM.2024.T.131930.
Texto completo (DOI)
Palavras-chave
Cobrança de contas
Resumo
A presente tese investiga a aplicação da análise de sentimentos em interações de cobrança para prever a probabilidade de pagamento de dívidas. A pesquisa compara modelos de escore de crédito, desde as abordagens tradicionais até as técnicas avançadas de aprendizado de máquina e análise de sentimentos, revelando como variáveis de sentimentos e demográficas
podem aprimorar a precisão das previsões. O estudo utiliza dados textuais provenientes de mensagens de chat trocadas entre cobradores e devedores, aplicando técnicas de processamento de linguagem natural (PLN) e mineração de textos para identificar padrões e prever comportamentos de pagamento. O ineditismo da tese está na integração de variáveis de sentimentos e demográficas na recuperação de crédito, oferecendo uma abordagem mais humanizada e personalizada, ajustada ao perfil de cada devedor. Além disso, a pesquisa utiliza inteligência artificial (IA) generativa para a geração de códigos em Python, facilitando o desenvolvimento de modelos complexos e adaptativos. Os resultados indicam que a inclusão de sentimentos e dados demográficos nos modelos preditivos melhora significativamente a eficácia das estratégias de cobrança, destacando desafios como a qualidade dos dados e a necessidade de técnicas sofisticadas para o tratamento de grandes volumes de dados textuais.
A pesquisa sugere novas direções para estudos futuros, especialmente na exploração de dados não estruturados na recuperação de crédito
This thesis investigates the application of sentiment analysis in debt collection interactions to predict the probability of debt repayment. The research compares credit scoring models, from traditional approaches to advanced machine learning techniques and sentiment analysis, revealing how sentiment and demographic variables can enhance the accuracy of predictions. The study uses textual data from chat messages exchanged between collectors and debtors, applying natural language processing (NLP) techniques and text mining to identify patterns and predict payment behavior. The novelty of the thesis lies in the integration of sentiment and demographic variables into credit recovery, offering a more humanized and personalized approach, tailored to each debtor's profile. Additionally, the research employs generative artificial intelligence (AI) for generating Python code, facilitating the development of complex and adaptive models. The results indicate that the inclusion of sentiment and demographic data in predictive models significantly improves the effectiveness of collection strategies, highlighting challenges such as data quality and the need for sophisticated techniques to handle large volumes of textual data. The research suggests new directions for future studies, particularly in the exploration of unstructured data in credit recovery
This thesis investigates the application of sentiment analysis in debt collection interactions to predict the probability of debt repayment. The research compares credit scoring models, from traditional approaches to advanced machine learning techniques and sentiment analysis, revealing how sentiment and demographic variables can enhance the accuracy of predictions. The study uses textual data from chat messages exchanged between collectors and debtors, applying natural language processing (NLP) techniques and text mining to identify patterns and predict payment behavior. The novelty of the thesis lies in the integration of sentiment and demographic variables into credit recovery, offering a more humanized and personalized approach, tailored to each debtor's profile. Additionally, the research employs generative artificial intelligence (AI) for generating Python code, facilitating the development of complex and adaptive models. The results indicate that the inclusion of sentiment and demographic data in predictive models significantly improves the effectiveness of collection strategies, highlighting challenges such as data quality and the need for sophisticated techniques to handle large volumes of textual data. The research suggests new directions for future studies, particularly in the exploration of unstructured data in credit recovery