FenixEdu™

Dissertação

{pt_PT=Debt Analytics: Proactive prediction of debtors in the telecommunications industry} {} EVALUATED

Detalhes: {pt=As empresas de telecomunicações enfrentam, por vezes, novos clientes que subscrevem serviços sem real intenção de os pagar. Esta classe especial de clientes fraudulentos – nunca-pagadores – é responsável por perdas significativas nas receitas, apesar de constituir um subconjunto minúsculo de todos os clientes. Além de não pagarem as faturas mensais, são gastos recursos adicionais desnecessariamente, durante a subscrição, processos de CRM e gestão de cobrança. Esta tese foi desenvolvida em colaboração com uma empresa de telecomunicações, cujo objetivo é prever a população nunca-pagadores, consistindo em clientes pós-pagos que nunca irão pagar os serviços recém-subscritos. O principal desafio é prever o resultado, mesmo antes da conta de cliente ser ativa. Nessa altura, muito poucos dados ao cliente estão disponível para análise. Nesses casos, o primeiro mês de comportamento pode ser integrado, a fim de melhorar as previsões. A plataforma final é construída utilizando ferramentas de BI da Microsoft com base na metodologia CRISP-DM. O módulo de integração é responsável por carregar, limpar e sumarizar grandes quantidades de dados que fornecem informações sobre novos clientes. Em seguida, o módulo analítico seleciona um conjunto específico de atributos relevantes para treinar vários modelos preditivos. Esses modelos foram testados com clientes novos e calculou-se a probabilidade de nunca virem a pagar as suas dívidas. A exploração ad-hoc dos dados de entrada e resultados também é possível usando ferramentas como o Microsoft Excel, Power Pivot e Power View. A solução foi avaliada com recursos a métricas de desempenho utilizadas em data mining., en=Telecommunications businesses sometimes face new customers who subscribe services with no real intention of paying for them. This special class of fraudulent customers – never-payers – are responsible for significant revenue losses, despite being a tiny subset of all subscribers. Besides not paying monthly bills, additional resources are spent unnecessarily during service activation, CRM processes and collection management. This thesis was developed in collaboration with a telecommunications company whose goal is to predict the never-payer population, consisting of post-paid customers who are never going to pay for the newly subscribed services. The main challenge is to predict the outcome, even before the customer’s account is activated. At that point, too little customer data is available for analysis. For those cases, the first month of behaviour can be integrated to improve predictions. The final platform is built on Microsoft BI stack tools based on the CRISP-DM methodology. The integration module is capable of loading, cleaning and summarising large amounts of input data that provide information about new customers. Then, the analytical module selects a specific set of relevant attributes to train several predictive models. Those models were tested, facing new, unknown customers to decide the likelihood of being customers who will never pay their debts. Ad-hoc exploration of the input data and results is also possible using tools such as Excel, Power Pivot and Power View. The solution was evaluated using data mining performance measures.}
Keywords: {pt=Telecomunicações, Fraude, Nunca-Pagadores, Data Mining, Modelo Preditivo, SQL Server, en=Telecommunications, Fraud, Never-payer, Data Mining, Predictive Model, SQL Server}

Discussão: novembro 20, 2015, 11:0