Navegando por Autor "Batista, Jonathan Jalles Silva"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
Dissertação Recomendação de produtos financeiros utilizando aprendizado de máquina(Universidade Federal do Rio Grande do Norte, 2024-12-17) Batista, Jonathan Jalles Silva; Araújo, Daniel Sabino Amorim de; https://orcid.org/0000-0001-5572-0505; http://lattes.cnpq.br/4744754780165354; http://lattes.cnpq.br/0333672178508920; Menezes Neto, Elias Jacob de; Rego, Thais Gaudêncio doSistemas de recomendação desempenham um papel crucial em diversos setores, incluindo o financeiro, ao oferecer sugestões personalizadas para os clientes, com base em seus históricos de preferências. No contexto da indústria financeira e de crédito, tais sistemas têm o potencial de revolucionar a maneira como as instituições interagem com os clientes, sobretudo ao personalizar recomendações de produtos financeiros, como investimentos, seguros e empréstimos. Nesse estudo, foram analisados 208.570 registros de clientes de três serviços financeiros do tipo seguro, com o objetivo de criar uma solução capaz de apoiar estratégias de marketing, utilizadas na oferta desses serviços financeiros aos clientes de uma Fintech. A clusterização com k-means, testada com dois a seis clusters, revelou importantes padrões de segmentação de clientes. Embora a configuração de dois clusters tenha alcançado o maior valor de silhouette score (0,4169), a abordagem com quatro clusters forneceu um cenário mais informativo para fins estratégicos. Para modelagem preditiva, após testes iniciais e busca aleatória de hiperparâmetros, com validação cruzada em 5 e 10 folds, XGBoost e LightGBM reportaram 82,0% de recall e 80,5% de F1-score. O LightGBM foi selecionado para uso nos dados de validação, por questões de custo-benefício. Quando aplicado ao conjunto de validação, que apresentou uma distribuição de seguros significativamente diferente dos dados de treino, causada por mudança nas covariáveis, o desempenho do modelo caiu consideravelmente, para 43,1% de recall, e 39,0% de F1-score. O modelo teve melhor desempenho com o Seguro C (63,7% de recall e 60,0% de F1-score), mas teve dificuldades com os seguros A (45,8% de recall e 26,7% de F1-score) e B (2,6% de recall e 4,8% de F1-score). Quando treinado em 80% do conjunto de dados resultando da combinação de dados de treino e validação, e validado nos 20% restantes, o LightGBM demonstrou melhorias substanciais para os seguros A e C, alcançando recall de 83,3% e 81,6%, e F1-Score de 83,0% e 77,6%, respectivamente. Em todos os casos, os modelos apresentaram dificuldades com o Seguro B. Embora a performance do modelo com dados combinados tenha sido significativamente melhor, a mudança de covariáveis configura um desafio expressivo na modelagem da solução para o propósito desse trabalho.