Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/33918
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2018_RobertoNunesMourão.pdf1,12 MBAdobe PDFVisualizar/Abrir
Título: Mineração de dados para previsão de renda de clientes com contas-correntes digitais
Autor(es): Mourão, Roberto Nunes
Orientador(es): Ramos, Guilherme Novaes
Assunto: Mineração de dados (Computação)
Bancos - produtos e serviços
Bancos - administração
Data de publicação: 31-Jan-2019
Referência: MENDONÇA, Tharcísio Marcos Ferreira de Queiroz. Mineração de dados para previsão de renda de clientes com contas-correntes digitais. 2018. xiv, 56 f., il. Dissertação (Mestrado Profissional em Computação Aplicada)—Universidade de Brasília, Brasília, 2018.
Resumo: Um banco brasileiro disponibilizou a abertura de conta bancária por meio de um aplicativo móvel, o que geralmente exige muito pouca informação do usuário. Essa falta de dados prejudica os atuais modelos preditivos aplicados na seleção de clientes para campanhas de marketing. Com o intuito de atenuar isso, este trabalho investiga o uso da Mineração de Dados a fim de criar um modelo preditivo capaz de identificar a renda desses clientes. Para tanto, como treinamento, usa os dados de um grupo de clientes, os quais, de forma semelhante, utilizam o aplicativo móvel do banco. Todavia, abriram suas contas indo às agências, local onde comprovaram suas rendas. Os dados utilizados incluem informações cadastrais, demográficas e características dos smartphones dos clientes. O processo CRISP-DM foi aplicado para comparar várias abordagens, tais como: Regressão Logística, Random Forest, Redes Neurais Artificiais, Gradient Boosting Machine e Hillclimbing Ensemble Selection with Bootstrap Sampling. Os resultados mostraram que o Gradient Boosting Machine obteve o melhor resultado com Acurácia de 92 % e F-Measure de 62 %.
Abstract: Digital bank accounts require little information from customers to enable simple banking services, and the absence of income data hampers a focused targeting of customers for additional products/services. This study presents a comparison of predictive models to identify a customer’s income bracket, by mining digital account data. The information available to build the models includes customers’ registered data, demographics, house prices, and smartphone features. The models are applied to a set of customers with regular accounts, who have income data and features similar to those with digital accounts. The models’ performances are compared to the model currently in use in a private bank. Several approaches were used, in a CRISP-DM process: Logistic Regression, Random Forest, Artificial Neural Networks, Gradient Boosting Machine, and Hill-Climbing Ensemble with Bootstrap Sampling. Experimental results indicate the Gradient Boosting Machine model achieved the best results, with a 92% Accuracy and a 62% F-Measure.
Informações adicionais: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2018.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:MPCA - Mestrado Profissional em Computação Aplicada (Dissertações)

Mostrar registro completo do item Recomendar este item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.