[en] THE APPLICATION OF MACHINE LEARNING FRAMEWORK TO IDENTIFY STUDENTS AT RISK OF DEFAULT IN A HIGHER EDUCATION INSTITUTION

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: GIOVANNA NISKIER SAADIA
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: MAXWELL
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=48281&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=48281&idi=2
http://doi.org/10.17771/PUCRio.acad.48281
Resumo: [pt] Tão expressiva quanto a curva de crescimento do número de matrículas nas instituições de ensino superior (IES) privadas nos últimos anos é a respectiva curva da inadimplência, cujo aumento pode ser explicado, principalmente, pelo aprofundamento da crise econômica no país e pela redução do número de vagas ofertadas pelo FIES. A inadimplência apresenta-se como um desafio à gestão financeira das instituições de ensino, uma vez que impacta os seus custos operacionais e acaba sendo repassada aos alunos sob forma de aumento de mensalidade. Além disso, a evasão estudantil é também uma das principais consequências da inadimplência, à medida que alunos com dificuldades financeiras acabam por abandonar seus cursos, representando para as instituições de ensino não só uma perda econômica, como também acadêmica e social. As IES, em sua maioria, não utilizam qualquer tipo de técnica de credit scoring para prever o risco de seus alunos se tornarem inadimplentes. Nesse sentido, este trabalho apresenta uma metodologia quantitativa para previsão de risco de inadimplência de alunos ativos. Baseado em dados históricos de alunos que estavam inadimplentes ou adimplentes, modelos gerados por algoritmos de machine learning foram estimados e comparados. Por fim, os resultados obtidos evidenciaram a relação entre a inadimplência e a variação do valor pago ao longo dos semestres analisados, quantidade média de disciplinas cursadas, natureza empregatícia ao aluno e existência de débitos em semestres anteriores. Com a aplicação dos modelos propostos, as IES seriam capazes de identificar alunos com maior risco de inadimplência e planejar ações preventivas específicas para este grupo.