Dissertação de mestrado integrado em Industrial Engineering and Management (MIEGI), Microfinance is a strategy adapted to provide opportunities to different economic classes, contributing to the financial flow of a country. However, it can also be a cause of economic failure if the cycle of the loan is interrupted, meaning if a loan is not repaid and a lot of money is lost. With the number of loans increasing, there is a high risk of having a lot more loans entering the overdue stage, overloading the resources available to take actions on the repayment of the loan. For that reason, this dissertation ”Allocation of overdue loans based in an officer performance in a Sub-Saharan Africa microfinance institution” expects to keep optimizing the way this part of the process works. So, initially, only one experiment was thought to be tested, as the title of this dissertation mention, but soon two more were added and conducted to keep seeking for a better distribution of the loans through the officers available, to maximize the probability of recovering the loan. In the first one, it was analyzed, using the classification method, the relation between the loan and some selected characteristics from the officers part of an optimized profile, in order to improve the connection officer-user. The three biggest characteristics chosen to build that profile did not show strong results with F1 scores between 0 and 0,74. Although this could be a good value to consider, there is a big gap between scores when there is a good prediction for paid/ unpaid. In the second one, an approach similar to the credit scoring models was followed, where the loan should be classified as paid or unpaid based on what prediction could result in the analysis of each loan characteristics. The results were not that different from the first experiment, where the Support Vector Machine present potential to be a solution with an F1 score average of 0.625, however when predicting the loans unpaid it showed to be random with a score of 0.55, losing the confidence in this option. In the third and last one, the experiment was similar to the second one. The difference was on what data mining technique was used - the clustering technique was used rather than the classification. This technique showed quite better results compared to the others, being possible to visualize well-defined clusters in the data. This way, the implementation of groups of loans and the prioritization scale would be the best strategy to organize the loans in the team and to assign them in an optimal way to maximize the recovery., O Microfinanceamento é uma estratégia adaptada para promover oportunidades para as diferentes classes económicas de uma sociedade, contribuindo para o fluxo financeiro de um país. Por outro lado, pode também ser uma causa de falha económica, se o ciclo do empréstimo for interrompido, isto é, se o empréstimo não for pago e uma parte do dinheiro for perdida. Com o crescimento do número de empréstimos, há um risco maior da extensão da data limite, sobrecarregando os recursos disponíveis para o repagamento do empréstimo. Por essa razão, a presente dissertação ”Alocação de empréstimos em atraso baseada na prestação do operador numa instituição de microfinanciamento da África subsariana” espera continuar a optimizar a forma como este processo trabalha. Assim, inicialmente, apenas um ensaio foi pensado para ser testado, como o título desta dissertação indica, mas rapidamente mais dois ensaios foram conduzidos para continuar a procura por uma melhor distribuição dos empréstimos pelas pessoas disponíveis, para maximizar a probabilidade de recuperar esse empréstimo. No primeiro, foi analisada, utilizando um método de classificação, a relação entre o empréstimo e algumas características dos funcionários (parte do seu perfil otimizado), no sentido de melhorar a relação com o utilizador. As três características do perfil escolhidas não mostraram resultados fortes com pontuações entre 0 e 0,74. Embora esta última teria potencial, existia um grande intervalo nos valores numa boa previsão para paid/ unpaid. No segundo, foi seguida uma abordagem similar aos modelos de credit scoring, onde um empréstimo é classificado como pago ou não pago baseado na previsão da análise das características de cada empréstimo. Os resultados não foram muito diferentes dos do primeiro ensaio, onde o Support Vector Machine apresentou algum potencial para ser solução com uma pontuação média de 0.625, no entanto, quando previa os empréstimos unpaid, mostrava ser aleatório com uma pontuação de 0.55, perdendo a confiança nesta opção. No terceiro e último, a diferença para o segundo estava em qual das técnicas de Data Mining foi utilizada - a técnica de clustering foi a escolhida. Esta técnica demonstrou melhores resultados entre todas, sendo possível a visualização bem definida de grupos nos dados. Desta maneira, a implementação de grupos e da escala de priorização seriam a melhor estratégia para organizar os empréstimos na equipa, de forma a maximizar a recuperação.