Acceso usuarios
Jonnathan de Almeida Martin, Arnaldo Rabello de Aguiar Vallim Filho
Brazil is facing high default rates, due in part to the pandemic, leading to the search for new debt collection strategies. Machine Learning (ML), successfully used in numerous areas, is an ally to increase the effectiveness of these operations. This article seeks to present a current overview of research on ML applications in debt collection operations, through a Systematic Literature Review. The PICO methodology was used, initially identifying 41 documents, of which 11 underwent systematic review. The results showed four objectives pursued by the studies: default prediction, personalization of collection strategies, optimization of debt recovery actions and credit recovery prediction. And the main algorithms used were Decision Tree, Logistic Regression, Random Forest, Naive Bayes, Artificial Neural Network and Deep Learning. The results revealed that ML is still little explored in this area, offering potential for substantial research advances.
O Brasil enfrenta altas taxas de inadimplência, devido em parte à pandemia, levando à busca de novas estratégias de cobranças de dívidas. O Machine Learning (ML), empregado com sucesso em inúmeras áreas, é aliado para elevar a eficácia dessas operações. Este artigo busca apresentar um panorama atual das pesquisas sobre aplicações de ML nas operações de cobrança de dívidas, por meio de uma Revisão Sistemática da Literatura. Foi utilizada a metodologia PICO, identificando inicialmente 41 documentos, dos quais 11 passaram por revisão sistemática. Os resultados mostraram quatro objetivos buscados pelos estudos: previsão de inadimplência, personalização das estratégias de cobrança, otimização das ações de recuperação de dívidas e previsão de recuperação de crédito. E os principais algoritmos utilizados foram Decision Tree, Logistic Regression, Random Forest, Naive Bayes, Artificial Neural Network e Deep Learning. Os resultados revelaram que ML é ainda pouco explorado nessa área, oferecendo potencial para avanços substanciais das pesquisas.
