Carlos André Reis Pinheiro
Resumo
Este trabalho apresenta a aplicação de modelos de redes neurais artificiais para prevenção da inadimplência em operadoras de telefonia. O trabalho apresenta basicamente dois resultados principais. O primeiro resultado está baseado na construção de um modelo de agrupamento para a identificação do comportamento dos clientes inadimplentes em uma operadora de telefonia fixa, com caracterização dos mesmos em termos de variáveis demográficas e de usabilidade nos serviços de telecomunicações. O segundo resultado se baseia na criação de diversos modelos de predição, com o objetivo de classificar os clientes inadimplentes, associando à cada um deles, um fator de propensão para o não pagamento, possibilitando desta forma, a tomada de ações preventivas, evitando uma perda de receita extremamente considerável para a empresa. O modelo de cluster está baseado em aprendizado não supervisionado, utilizando o algoritmo de Mapas Auto-Ajustáveis, de Teuvo Kohonen. Posteriormente, para a construção dos modelos preditivos, foi utilizada uma rede neural do tipo MLP – Multi Layer Perceptron, com estimação de erro usando o algoritmo Backpropagation.
Abstract
This work presents models based on artificial neural network applied to prevent insolvency in telephony operators. The work presents basically two main distinct results. The first one is based on the cluster model construction, in order to identify the insolvent customer behavior of the fixed telephony operator. With this clusters, the company could segment all those customers based on their demographics variables, as well as, based on the telecommunications services usability. The second result is based on the construction of the several prediction models, in order to classify the insolvent customers, assigning to them, a bias factor to the bad debt event. With this, the company could perform prevention actions, avoiding the revenue leaking. The cluster model is based on an unsupervised learning model, using the selforganizing maps of Kohonen. Additionally, to the construction of the prediction models, was used a neural network of the type MLP – Multi-Layer Perceptron – with a backpropagation algorithm to estimate the error.
