CLASSIFICAÇÃO DA SITUAÇÃO EMPREGATÍCIA EM DADOS SOBRE INCLUSÃO FINANCEIRA UTILIZANDO ALGORITMOS DE APRENDIZADO DE MÁQUINA

Para uma instituição financeira, compreender o perfil de seus clientes é de suma importância para a tomada de decisões estratégicas. Dados como alta taxa de inadimplência, pouca idade e desemprego, mostram ao banco qual é o perfil de seus clientes, e isso pode mudar a direção de futuras tomadas de decisão. Neste contexto, este artigo apresenta o uso de técnicas de machine learning para classificar a situação empregatícia com base no banco de dados disponibilizado pelo Banco Mundial sobre inclusão financeira (Global Findex). Após a limpeza dos dados, realizou-se um comparativo entre as técnicas de Naïve Bayes, Regressão logística, Floresta aleatória e k-vizinhos mais próximos (k-nearest neighbors - KNN). Os resultados foram analisados pelas métricas de acurácia, precisão e f-score e validadas com 10-fold. Os resultados mostraram que a acurácia e f-score foi a melhor para a técnica KNN, enquanto Naïve Bayes atingiu a melhor precisão, mas um baixo f-score, sugerindo uma baixa sensibilidade. Variáveis como a idade, nível educacional, recebimento de salários e pensões e quantia salarial foram destacadas como boas variáveis preditoras de acordo com a Floresta aleatória. Neste contexto, sugeriu-se investigar estas variáveis posteriormente para uma análise mais profunda sobre o perfil dos cidadãos empregados e desempregados a partir destes preditores.