[pt] APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL INTERPRETÁVEL PARA A STONE PAGAMENTOS S.A

[en] INTERPRETABLE ARTIFICIAL INTELLIGENCE APPLICATION FOR STONE PAGAMENTOS S.A.

[pt] LEONARDO DOMINGUES

[pt] OTIMIZACAO

[pt] MILP

[pt] CANCELAMENTO

[pt] ARVORE DE DECISAO

[en] OPTIMIZATION

[en] MILP

[en] CHURN

[en] DECISION TREE

[pt] A Stone é uma empresa que oferece soluções de pagamento por máquinas de cartão. As soluções da empresa passam não apenas por maquininhas de cartão, mas também por um portal de controle financeiro que permite gerir a saúde da empresa com segurança, além de disponibilizar crédito para seus clientes. Neste mercado há uma grande concorrência e por conta disto, uma métrica bastante avaliada é a taxa de rotatividade, ou Churn rate, que mostra a taxa de consumidores que uma empresa perdeu em determinado período e o total de receitas envolvidas nesse processo. Outro ponto de atenção, e distinto, é capacidade da equipe de detectar e rejeitar riscos de crédito ruins, pois o sucesso de uma operação de crédito individual e a sustentabilidade da fintech dependem disto. Consequentemente, para conseguir separar os bons e maus pagadores e identificar a taxa de rotatividade, surge a necessidade da classificação de crédito e de churn, através de data science. A dissertação aborda a combinação da técnica de árvore de decisão, um algoritmo de aprendizado de máquina, com otimização para classificação de riscos de crédito e de churn para a Stone Pagamentos S.A. A literatura carece de estudos a respeito da combinação de ambas técnicas, as quais se mostraram ferramentas promissoras, pois pode se extrair conhecimento implícito dos algoritmos de aprendizado e complementar com a informação explícita obtida da otimização. A árvore de decisão facilita a interpretação dos resultados em comparação com outros algoritmos de aprendizado de máquina que são caixa preta. Esta técnica performa melhor que técnicas como boosting e random forest quando aplicada com otimização inteira mista. Esta abordagem pode se beneficiar das garantias teóricas e algoritmos de última geração disponíveis na literatura.

[en] Stone is a company that offers payment solutions for card machines. The company s solutions go through not only card machines, but also through a financial control portal that allows you to safely manage the company s health, in addition to providing credit to your customers. In this market there is great competition and because of this, a well-evaluated metric is the turnover rate, or Churn rate, which shows the rate of consumers that a company lost in a given period and the total revenue involved in this process. Another and distinct point of attention is the team s ability to detect and reject bad credit risks, as the success of an individual credit operation and the sustainability of fintech depend on it. Consequently, in order to separate good and bad payers and identify the turnover rate, there is a need for credit and churn classification, through data science. The dissertation addresses the combination of the decision tree technique, a machine learning algorithm, with optimization for credit and churn risk classification for Stone Pagamentos S.A. The literature lacks studies on the combination of both techniques, which promising tools have been shown, since implicit knowledge can be extracted from the learning algorithms and complemented with the explicit information obtained from the optimization. The decision tree facilitates the interpretation of the results in comparison with other machine learning algorithms that are black box. This technique performs better than techniques like boosting and random forest when applied with mixed integer optimization. This approach can benefit from the theoretical guarantees and state-of-the-art algorithms available in the literature.

DAVI MICHEL VALLADAO

2022-08-16

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60196@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60196@2

https://doi.org/10.17771/PUCRio.SeminarPPGEP.60196