CONTECSI - International Conference on Information Systems and Technology Management - ISSN 2448-1041, 20th CONTECSI - INTERNATIONAL CONFERENCE ON INFORMATION SYSTEMS AND TECHNOLOGY MANAGEMENT VIRTUAL

Tamanho da fonte: 
THE ABSENT MONEY THAT WAS NOT MISSED - O DINHEIRO AUSENTE QUE NÃO FEZ FALTA
Hector Honorio Santos Tomelin, Alexandre Leopoldo Gonçalves, Ricardo Melo de Oliveira, Sidney Marques de Oliveira Jr.

Última alteração: 2024-03-01

Resumo


ABSTRACT

Sanitation is fundamental to human life. Brazil’s sanitation services are tariffed. When a user does not pay the tariff, the others must pay for the defaulter. Actual procedures are ordinary, low effectiveness with high stress level between users and service providers.  The specific prediction of the defaults enables preventive actions to reduce the consequences of stress. To develop a prediction model, data from a city with good levels of services, Joinville, SC, was used. The analysis was based on the evolution of payment terms over 24 months, using AutoML tools powered by Knime analytics platform. The best performing algorithm was Regression Tree with an assertiveness of 98.35%. The current default cost in 4 years represents the sanitation investment flow in this municipality in 1 year.

 

RESUMO

O saneamento é fundamental para a sobrevivência do ser humano. No Brasil, estes serviços são tarifados individualmente. Quando um usuário não honra com seus pagamentos, este ônus é repassado aos outros usuários, estressando todo o sistema. As medidas usuais são meramente reativas paliativas e aumentam o estresse entre usuário e prestador de serviço. A adoção de medidas preventivas tem o potencial para impedir os danos desse estresse, mas é necessário que se saiba antecipadamente quem irá se tornar inadimplente. A fim de se desenvolver um modelo preditivo adotou-se os dados da maior cidade do estado de Santa Catarina com bom nível de serviços, Joinville, SC, prestados pela Companhia Águas de Joinville - CAJ. A exploração e análise dos dados foi feito com ferramentas de AutoML, com a plataforma de análise Knime, com assertividade de 98,35% com técnicas de regressão linear pelo algoritmo Regression Tree. Destaca-se o fato de que o custo da inadimplência em 4 anos, equivale ao investimento anual médio da CAJ, e que os dados usados são unicamente as mudanças de comportamento do usuário em relação à pontualidade.


Palavras-chave


Keywords: Auto Machine Learning; AutoML; Sanitation; Prediction; Default; Systemic Costs ; Aprendizado de máquina automatizado; Previsão; Saneamento; Inadimplência; Custos Sistêmicos