Repository logo
 
Publication

Previsão do pagamento em atraso de faturas

dc.contributor.advisorFerreira, Carlos Manuel Abreu Gomes
dc.contributor.authorCosta, Pedro José Gonçalves Portela Falhas da
dc.date.accessioned2021-02-18T15:22:01Z
dc.date.available2021-11-18T01:30:36Z
dc.date.issued2020
dc.description.abstractO pagamento em atraso das faturas é um dos principais desafios das operações de uma empresa. Com uma gestão inadequada do processo de cobrança de faturas, os pagamentos em atraso podem-se acumular e causar problemas no negócio. Por outras palavras, o aumento do número de faturas não pagas pode levar a problemas de fluxo de caixa na empresa. Nesta dissertação, é desenvolvido um sistema automático de treino de modelos de previsão do pagamento de faturas. Na realização da solução, são criados modelos de aprendizagem automática supervisionada para identificar antecipadamente as faturas que serão pagas em atraso. Será seguida a metodologia CRISP-DM, onde os principais procedimentos abordados pelo trabalho são a limpeza e pré-processamento de dados, construção de modelos de aprendizagem automática e avaliação do desempenho do modelo. A solução pretendida pela CPCIT4all fornecerá aos seus clientes do setor público, como a Goldenergy, fornecedor dos dados para o projeto, a possibilidade de prever que clientes seus têm maior probabilidade de não pagar dentro do limite. Podendo assim, atuar sobre estes para que realizem os pagamentos dentro o limite, melhorando consequentemente o fluxo de caixa da empresa.pt_PT
dc.description.abstractThe late payment invoices is one of the main challenges of a company's operations. With a inadequate management of the invoice collection process, the late payments can accumulate and cause business problems. In other words, increasing the number of unpaid invoices can lead to cash flow problems in the company. In this dissertation, a proactive approach was directed to improve the management of invoice payment collection, using a predictive model generated by an automated mechanism. In the realization of the solution, supervised machine learning models were created to identify in advance the invoices that will be paid late. The CRISP-DM methodology will be followed, where the main procedures covered by the work are data cleaning and pre-processing, construction of automatic learning models and model performance evaluation. The solution intended by CPCIT4all, will provide its public sector customers, such as Goldenergy, provider of the data for this project, with the possibility of predicting which of their customers are more likely to not pay within the limit, acting on them to make payments within the limits, thus improving their invoice collection process and consequently increasing the company's cash flow.pt_PT
dc.identifier.tid202550834pt_PT
dc.identifier.urihttp://hdl.handle.net/10400.22/17044
dc.language.isoporpt_PT
dc.subjectPagamento de faturas em atrasopt_PT
dc.subjectInteligência Artificialpt_PT
dc.subjectAprendizagem Automáticapt_PT
dc.subjectDeteção de Anomaliaspt_PT
dc.subjectAnálise Preditivapt_PT
dc.subjectBalanceamento de dadospt_PT
dc.subjectPythonpt_PT
dc.subjectPandaspt_PT
dc.subjectNumpypt_PT
dc.subjectSklearnpt_PT
dc.subjectPower BIpt_PT
dc.subjectLate payment invoicespt_PT
dc.subjectArtificial intelligencept_PT
dc.subjectMachine learningpt_PT
dc.subjectAnomaly detectionpt_PT
dc.subjectPredictive analysispt_PT
dc.subjectUnbalanced datapt_PT
dc.titlePrevisão do pagamento em atraso de faturaspt_PT
dc.typemaster thesis
dspace.entity.typePublication
rcaap.rightsopenAccesspt_PT
rcaap.typemasterThesispt_PT
thesis.degree.nameMestrado em Engenharia Informática - Sistemas de Informação e Conhecimentopt_PT

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
DM_PedroCosta_2020_MEI.pdf
Size:
4.79 MB
Format:
Adobe Portable Document Format