Please use this identifier to cite or link to this item: https://hdl.handle.net/1822/28301

Full metadata record
DC FieldValueLanguage
dc.contributor.advisorBelo, Orlando-
dc.contributor.authorGomes, Bruno Miguel Viana-
dc.date.accessioned2014-03-07T17:13:56Z-
dc.date.available2014-03-07T17:13:56Z-
dc.date.issued2011-11-22-
dc.identifier.urihttps://hdl.handle.net/1822/28301-
dc.descriptionDissertação de mestrado em Engenharia de Informáticapor
dc.description.abstractTransversal a qualquer indústria, a retenção de clientes é um aspeto de elevada importância e a que se deve dar toda a atenção possível. O abandono de um produto ou de um serviço por parte de um cliente, situação usualmente denominada por churn, é cada vez mais um indicador a ter em atenção por parte das empresas prestadoras de serviços. Juntamente com técnicas de Customer Relationship Management (CRM), a previsão de churn, oferece às empresas uma forte vantagem competitiva, uma vez que lhes permite obter melhores resultados na fidelização dos seus clientes. Com o constante crescimento e amadurecimento dos sistemas de informação, torna-se cada vez mais viável a utilização de técnicas de Data Mining, capazes de extrair padrões de comportamento que forneçam, entre outros, informação intrínseca nos dados, com sentido e viável no domínio do negócio em questão. O trabalho desta dissertação foca-se na utilização de técnicas de Data Mining para a previsão de situação de churn dos clientes no ramo das seguradoras, tendo como o objetivo principal a previsão de casos de churn e, assim, possibilitar informação suficiente para a tomada de ações que visem prever o abandono de clientes. Nesse sentido, foi desenvolvido nesta dissertação um conjunto de modelos preditivos de churn, estes modelos foram implementados utilizando diferentes técnicas de data mining. Com esta implementação de vários modelos, pretende-se realizar uma avaliação comparativa dos mesmos, de forma a analisar qual o mais eficaz na previsão de casos churn.por
dc.description.abstractTransversal to any industry, customer retention is a highly important aspect and that we should give all possible attention. The abandonment of a product or a service by a customer, a situation usually referred to as churn, is an indicator that the service provider company should take in attention. Along with techniques of Customer Relationship Management (CRM), the churn prediction offers to companies a strong competitive advantage since it allows them to get better results in customer retention. With the constant growth and maturity of information systems, it becomes more feasible to use data mining techniques, which can extract behavior patterns that provide intrinsic information hided in the data. This dissertation focuses on using data mining techniques for predicting customer churn situations in insurance companies, having as main objective the prediction of cases of churn and thereby allow information gathering that can be used to take actions to avoid the customer desertion. In this dissertation we develop a set of predictive churn models using different data mining techniques. We studied the following techniques: decision trees, neural networks, logistic regression and SVM. The implementation of various models using this set of techniques allowed us to conclude that the most suitable techniques to predict churn in an insurance company are decision trees and logistic regression, in addiction we did a study about the most relevant churn indicators.por
dc.language.isoporpor
dc.rightsopenAccesspor
dc.titlePrevisão de churn em companhias de segurospor
dc.typemasterThesispor
dc.commentseeum_di_dissertacao_pg13275por
dc.subject.udc681.3-
dc.subject.udc658.8-
dc.subject.udc368-
Appears in Collections:BUM - Dissertações de Mestrado
DI - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
eeum_di_dissertacao_pg13275.pdf1,75 MBAdobe PDFView/Open

Partilhe no FacebookPartilhe no TwitterPartilhe no DeliciousPartilhe no LinkedInPartilhe no DiggAdicionar ao Google BookmarksPartilhe no MySpacePartilhe no Orkut
Exporte no formato BibTex mendeley Exporte no formato Endnote Adicione ao seu ORCID