Publication
Previsão do pagamento em atraso de faturas
dc.contributor.advisor | Ferreira, Carlos Manuel Abreu Gomes | |
dc.contributor.author | Costa, Pedro José Gonçalves Portela Falhas da | |
dc.date.accessioned | 2021-02-18T15:22:01Z | |
dc.date.available | 2021-11-18T01:30:36Z | |
dc.date.issued | 2020 | |
dc.description.abstract | O 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.abstract | The 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.tid | 202550834 | pt_PT |
dc.identifier.uri | http://hdl.handle.net/10400.22/17044 | |
dc.language.iso | por | pt_PT |
dc.subject | Pagamento de faturas em atraso | pt_PT |
dc.subject | Inteligência Artificial | pt_PT |
dc.subject | Aprendizagem Automática | pt_PT |
dc.subject | Deteção de Anomalias | pt_PT |
dc.subject | Análise Preditiva | pt_PT |
dc.subject | Balanceamento de dados | pt_PT |
dc.subject | Python | pt_PT |
dc.subject | Pandas | pt_PT |
dc.subject | Numpy | pt_PT |
dc.subject | Sklearn | pt_PT |
dc.subject | Power BI | pt_PT |
dc.subject | Late payment invoices | pt_PT |
dc.subject | Artificial intelligence | pt_PT |
dc.subject | Machine learning | pt_PT |
dc.subject | Anomaly detection | pt_PT |
dc.subject | Predictive analysis | pt_PT |
dc.subject | Unbalanced data | pt_PT |
dc.title | Previsão do pagamento em atraso de faturas | pt_PT |
dc.type | master thesis | |
dspace.entity.type | Publication | |
rcaap.rights | openAccess | pt_PT |
rcaap.type | masterThesis | pt_PT |
thesis.degree.name | Mestrado em Engenharia Informática - Sistemas de Informação e Conhecimento | pt_PT |
Files
Original bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- DM_PedroCosta_2020_MEI.pdf
- Size:
- 4.79 MB
- Format:
- Adobe Portable Document Format