O presente trabalho tem como objetivo identificar variáveis relacionadas à probabilidade de adimplência de clientes inadimplentes, além de discutir o papel da gestão da informação e inteligência analítica na construção de estratégias de cobrança mais eficientes.
O trabalho é relevante e original ao analisar a inadimplência sob a perspectiva da Ciência da Informação, empregando técnicas estatísticas para desenvolver um modelo preditivo que apoia estratégias de recuperação de crédito e tomada de decisão.
A pesquisa caracteriza-se como quantitativa, descritiva e exploratória. A base de dados, anonimizada e em conformidade com a LGPD, compreendeu informações de 665.379 clientes inadimplentes de cartões de crédito.
Os resultados demonstraram que 96,2% dos clientes foram classificados como maus pagadores e 3,8% como bons pagadores. Estado civil, fase da dívida, valor da dívida, idade, sexo e dia de vencimento foram as variáveis mais relevantes. Modelo apresentou AUC de 0,70.
Este trabalho contribui para com as metodologias de desenvolvimento de modelos preditivos sob a perspectiva da Ciência da Informação, aplicado à recuperação de crédito.
Este trabalho mostrou que a integração entre Ciência da Informação, Estatística e Ciência de Dados favorece estratégias de cobrança mais eficientes, segmentadas e alinhadas à gestão do conhecimento organizacional.
This study aims to identify variables related to the likelihood of delinquent customers settling their debts, as well as to discuss the role of information management and analytical intelligence in developing more efficient collection strategies.
The study is relevant and original in its analysis of loan default from the perspective of Information Science, employing statistical techniques to develop a predictive model that supports credit recovery strategies and decision-making.
The research is characterized as quantitative, descriptive, and exploratory. The dataset—anonymized and compliant with the LGPD—comprised information on 665,379 delinquent credit card customers.
The results showed that 96.2% of customers were classified as bad payers and 3.8% as good payers. Marital status, debt stage, debt amount, age, gender, and due date were the most relevant variables. The model yielded an AUC of 0.70.
This study contributes to predictive model development methodologies from the perspective of Information Science, applied to credit recovery.
This study demonstrated that the integration of Information Science, Statistics, and Data Science fosters collection strategies that are more efficient, segmented, and aligned with organizational knowledge management.