[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-120878-pt":3,"doc-seo-120878-112":30,"detail-sidebar-cat-0-pt-112":91},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":4,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},120878,962084928432,"Emma Wilson","https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d",32,"Pesquisa e Relatórios","Aplicação de Machine Learning para Previsão de Inadimplência","Este trabalho apresenta uma aplicação de algoritmos de machine learning para prever a inadimplência de clientes em uma empresa brasileira do setor de varejo e identificar variáveis associadas ao risco de atraso. O estudo compara KNearest Neighbors, Random Forest, Symbolic Regression e Support Vector Machine, combinando essas abordagens com técnicas de balanceamento de classes como SMOTE e IHT. Inclui seleção de variáveis e validação cruzada, implementadas em Python, com avaliação por métricas de desempenho para determinar a melhor combinação.","UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL  \nESCOLA DE ENGENHARIA  \nDEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E TRANSPORTES  \nTRABALHO DE CONCLUSÃO DE CURSO DE GRADUAÇÃO  \nAPLICAÇÃO DE MACHINE LEARNING PARA PREVISÃO DE INADIMPLÊNCIA  \nVINICIUS SFREDO SOKAL LIMA  \nOrientador: FLAVIO SANSON FOGLIATTO, Ph. D.  \nPORTO ALEGRE  \nAGOSTO/2023  \nResumo  \nO presente trabalho aplica algoritmos de machine learning para prever a inadimplência de clientes de uma empresa brasileira do setor de varejo e identificar quais são as principais variáveis relacionadas à inadimplência. Foi comparado o desempenho dos algoritmos KNearest Neighbors, Random Forest, Symbolic Regression e Support Vector Machine, além dastécnicas de balanceamento de classes SMOTE e IHT. Além disso, foram utilizadas técnicas deseleção de variáveis e validação cruzada. Todo o trabalho foi desenvolvido utilizando alinguagem de programação Python. A partir da medição e análise de diversas métricas dedesempenho, a combinação que gerou as melhores previsões foi o algoritmo Random Forest com a técnica de balanceamento de classes SMOTE.  \nPalavras-chave: inadimplência, aprendizado de máquina, Python, validação cruzada, balanceamento de classes, previsão.  \n1. Introdução  \nA oferta de crédito é fundamental para o desenvolvimento e crescimento econômico das nações (GERTLER, 2015) . No Brasil, em particular, o crédito - na forma de empréstimos, financiamentos e parcelamentos, entre outros- é a única maneira pela qual muitas famílias sãocapazes de adquirir seus bens. Por exemplo, em 2021, a população brasileira foi a terceira quemais precisava trabalhar para comprar um celular do modelo iPhone 13 (PICODI, 2021) . Seriam necessários 79 dias de trabalho para adquirir o aparelho, enquanto que em países como França, Alemanha e Inglaterra, seriam necessários aproximadamente 10 dias. Nos Estados Unidos da América, menos de 6.  \nNo entanto, apesar de sua importância, o crédito também representa um risco parainstituições financeiras e para a estabilidade econômica do país em geral, já que a concessão decrédito de maneira exacerbada a clientes sem condições de pagar pode ter consequênciascatastróficas. Em caso de inadimplência, não há lucro para as instituições financeiras, nem apossibilidade de os endividados realizarem novos empréstimos. A inadimplência, assim, gera prejuízo para os fornecedores de crédito e diminuição do consumo da população, o que, consequentemente, diminui a produção industrial e, em casos mais graves, pode gerardemissões em massa e aumento do desemprego. Esses, entre outros fatores, foram responsáveis, por exemplo, pela crise imobiliária dos Estados Unidos de 2008 (SORNETTE, 2017) .  \nO presente trabalho tem como objetivo desenvolver uma metodologia utilizandotécnicas de machine learning (ML ou aprendizado de máquina) para analisar o perfil de clientes de uma empresa varejista e identificar quais variáveis (e.g., renda familiar, sexo e estado civil)  \nsão preditoras de inadimplência. Com isso, será possível analisar o perfil de novos clientes eprever, com certo grau de acurácia, se os mesmos serão capazes de pagar suas dívidas. Os algoritmos usados para resolver esse tipo de problema são denominados algoritmos de classificação, pois cada novo cliente será atribuído a uma classe, e.g., inadimplente ou não. Além disso, serão comparados os resultados obtidos através da utilização de diferentes algoritmos de classificação já conhecidos na literatura, como Random Forest (BREIMAN, 2001), Support Vector Machine (VAPNIK, 1995) e K-nearest-neighbor (FIX, 1952) .  \nA empresa objeto de estudo é uma varejista que comercializa materiais de construção, móveis, eletroeletrônicos e eletrodomésticos, entre outros. Ao todo, são mais de 500 lojas nas regiões Sul, Sudeste e Centro-Oeste do Brasil e mais de 6 milhões de clientes atendidos. Além do varejo, a companhia também funciona como uma instituição financeira, pois oferece opções de cartão de crédito, empréstimo e financiamento. Apesar do bo","cbCaidaCbNhODQXG","https://ap.wps.com/l/cbCaidaCbNhODQXG","pdf",519880,1,34,"Portuguese","pt",112,"# Resumo\n# 1. Introdução\n# 2. Referencial Teórico","[{\"question\":\"Qual é o objetivo principal do trabalho?\",\"answer\":\"Desenvolver uma metodologia com machine learning para analisar o perfil de clientes de uma varejista e identificar variáveis preditoras de inadimplência, permitindo prever capacidade de pagamento com acurácia.\"},{\"question\":\"Quais algoritmos e técnicas foram comparados?\",\"answer\":\"Foram comparados KNearest Neighbors, Random Forest, Symbolic Regression e Support Vector Machine, além de técnicas de balanceamento de classes como SMOTE e IHT.\"},{\"question\":\"Qual combinação obteve as melhores previsões?\",\"answer\":\"A melhor performance foi alcançada pelo algoritmo Random Forest combinado com a técnica de balanceamento de classes SMOTE.\"}]","Aplicação de Machine Learning para Previsão de Inadimplência | PDF",1785732461,52,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":86,"head_meta":88,"extra_data":90,"updated_unix":28},"application-of-machine-learning-for-default-prediction","",{"@graph":36,"@context":85},[37,54,68],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/pt/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/pt/document/application-of-machine-learning-for-default-prediction/120878/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":62,"encodingFormat":61,"isAccessibleForFree":63,"interactionStatistic":64},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-03",true,{"@type":65,"interactionType":66,"userInteractionCount":4},"InteractionCounter",{"@type":67},"ViewAction",{"@type":69,"mainEntity":70},"FAQPage",[71,77,81],{"name":72,"@type":73,"acceptedAnswer":74},"Qual é o objetivo principal do trabalho?","Question",{"text":75,"@type":76},"Desenvolver uma metodologia com machine learning para analisar o perfil de clientes de uma varejista e identificar variáveis preditoras de inadimplência, permitindo prever capacidade de pagamento com acurácia.","Answer",{"name":78,"@type":73,"acceptedAnswer":79},"Quais algoritmos e técnicas foram comparados?",{"text":80,"@type":76},"Foram comparados KNearest Neighbors, Random Forest, Symbolic Regression e Support Vector Machine, além de técnicas de balanceamento de classes como SMOTE e IHT.",{"name":82,"@type":73,"acceptedAnswer":83},"Qual combinação obteve as melhores previsões?",{"text":84,"@type":76},"A melhor performance foi alcançada pelo algoritmo Random Forest combinado com a técnica de balanceamento de classes SMOTE.","https://schema.org",{"og:url":52,"og:type":87,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":89,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":92},[93,98,102,106,110,114,118,120,124,128],{"id":94,"doc_module":4,"doc_module_name":46,"category_name":95,"show_sort_weight":96,"slug":97},26,"Contos e Romances",60,"story-novel",{"id":99,"doc_module":4,"doc_module_name":46,"category_name":100,"show_sort_weight":96,"slug":101},46,"Estilo de Vida","lifestyle",{"id":103,"doc_module":4,"doc_module_name":46,"category_name":104,"show_sort_weight":96,"slug":105},28,"Exames","exam",{"id":107,"doc_module":4,"doc_module_name":46,"category_name":108,"show_sort_weight":96,"slug":109},47,"Geral","general",{"id":111,"doc_module":4,"doc_module_name":46,"category_name":112,"show_sort_weight":96,"slug":113},29,"Histórias em Quadrinhos","comic",{"id":115,"doc_module":4,"doc_module_name":46,"category_name":116,"show_sort_weight":96,"slug":117},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":96,"slug":119},"research-report",{"id":121,"doc_module":4,"doc_module_name":46,"category_name":122,"show_sort_weight":96,"slug":123},33,"Religião e Espiritualidade","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":46,"category_name":126,"show_sort_weight":96,"slug":127},31,"Saúde e Cuidados","healthcare",{"id":129,"doc_module":4,"doc_module_name":46,"category_name":130,"show_sort_weight":96,"slug":131},45,"Tecnologia","technology"]