شناسایی شاخص های اعتبارسنجی و رتبه بندی مشتریان در تسهیلات خُرد در بانک خاورمیانه (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: در بانک ها، مدیریت و اعتبارسنجی مشتریان، یکی از موارد حیاتی است و برای حفظ امنیت مالی و پایداری سازمان بانکی بسیار اهمیت دارد. یکی از چالش های اساسی در این حوزه، شناسایی شاخص های مناسب برای اعتبارسنجی و امتیازدهی به مشتریان است. چون اغلب این مشتریان به اطلاعات مالی و اعتباری دسترسی محدودی دارند و نمی توانند ضامن یا سوابق قرض دهی مناسبی ارائه کنند، تعیین شاخص های صحیح و قابل اعتماد بسیار چالش برانگیز است. همچنین، برای امتیازدهی به مشتریان، باید یک سیستم امتیازدهی مناسب و عادلانه وجود داشته باشد. این سیستم باید بتواند با در نظر گرفتن معیارهای اعتباری و رفتاری، مشتریان را در رده های مختلف قرار دهد و بر اساس عملکرد آن ها، به آن ها امتیازهای متناسب اختصاص دهد. علاوه براین، نیاز به توسعه روش هایی برای ارزیابی و پایش مشتریان در طول زمان نیز وجود دارد. هدف این پژوهش، شناسایی شاخص های اعتبارسنجی و رتبه بندی مشتریان در تسهیلات خُرد در بانک خاورمیانه است. روش: این پژوهش از نظر هدف کاربردی زمینه ای و از نظر روش اکتشافی است. جامعه آماری آن، کلیه مشتریان خُرد بانکداری دیجیتال بانک خاورمیانه بودند که درخواست دریافت تسهیلات کم بهره ۲ درصد سالانه با نرخ جریمه ۶ درصد را داشتند. روش های آماری در این پژوهش، در دو بخش آمار توصیفی و استنباطی انجام گرفت. در بخش آمار توصیفی، برخی فاکتورهای شخصیتی همچون سن، جنسیت، تحصیلات، کسب وکار، وضعیت بدهی جاری نظام بانکی، وضعیت چک های برگشتی، وضعیت پول شویی، مانده موجودی حساب بانکی (بانکینو)، سوابق تراکنش های بانکی، مکان جغرافیایی (محل زندگی و کار)، مدل گوشی همراه و سیستم عامل گوشی و رتبه اخذ شده از سامانه شرکت مشاوره رتبه بندی اعتباری ایران و... تجزیه وتحلیل و از طریق جدول و نمودارها بررسی شدند. الگوریتم های نایو بیز، متا، Attribute Selected Classifier و الگوریتم j۴۸ اجرا و از نرم افزار وکا برای رده بندی معیارها و ایجاد الگو استفاده شد. افزون بر این، به منظور ارزیابی نهایی مدل اعتبارسنجی و رتبه بندی مشتریان تسهیلات خُرد بدون پشتوانه، از آزمون تی در سطح ۰/۲۵ استفاده شد. یافته ها: یافته ها نشان داد که اگر فردی برای درخواست وام مراجعه کند، بانک باید به شاخص هایی توجه کند و بر اساس آن شاخص ها، در خصوص پرداخت یاعدم پرداخت وام تصمیم گیری کند. از این رو به فردی که تمام یا بخش عمده ای از این شاخص ها را دارد، می توان وام پرداخت کرد یا از متقاضی، وثیقه مناسب گرفت. این شاخص ها عبارت اند از: ۱. تسویه وام های قبلی شخص در بانک اعطا کننده، ۳۰ روز و ۶۰ روز بعد از سررسید وام انجام شده باشد؛ ۲. مبلغ تسهیلات دریافت شده این شخص، بالاترین مبلغ وام قابل پرداخت باشد؛ ۳. وضعیت وام های قبلی شخص در سایر بانک ها تسویه شده باشد؛ ۴. مبلغ وام درخواستی هر چه بالاتر باشد، بهتر است؛ ۵. سن فرد بالاتر از میان سال باشد؛ ۶. مدرک فرد کارشناسی، دیپلم و زیر دیپلم نباشد؛ ۷. امتیاز فرد بالای ۴۰ باشد؛ ۸. سیستم عامل گوشی فرد اندروید نباشد؛ ۹. مدل گوشی فرد سامسونگ یا شیائومی نباشد؛ ۱۰. بررسی های مربوط به وضعیت پول شویی فرد منفی باشد. نتیجه گیری: بانک ها باید در این استراتژِی (تسهیلات خُرد بدون پشتوانه) به اشخاصی تسهیلات بدهند که قبل از وارد شدن به هرگونه رابطه اعتباری جدید، درباره آن ها کاملاً شناخت داشته باشند. داده های لازم را از آن ها جمع آوری کنند و از حسن اعتبار و شهرت آن ها اطمینان یابند. بانک باید اطلاعات کامل و جامعی در خصوص وام گیرنده دریافت کند؛ به نحوی که این اطلاعات قابل اتکا باشد؛ زیرا اعطای تسهیلات به اندازه سودآوری، می تواند بانک را متحمل ریسک کند.Validation Indicator Identification and Customer Ranking in Microloans: A Study at Middle East Bank in Iran
Objective
In banking, customer management and validation are crucial to maintain financial security and organizational stability. A fundamental challenge in this area is the identification of appropriate indicators for validating and ranking customers. Because these customers generally have limited access to financial and credit information and cannot provide guarantors or good credit records, it is very challenging to determine correct and reliable indicators. Also, to score customers, there is a need to determine an appropriate and fair scoring system. This system should be able to place customers in different categories by considering credit and behavioral criteria and assigning them appropriate points based on their performance. In addition, there is a need to develop methods for evaluating and monitoring customers over time. This research aims to identify the indicators of validation and ranking of customers in micro-lending in Iran’s Middle East Bank.
Methods
This research is applied-contextual in terms of purpose and exploratory in terms of method. The statistical population of this research includes all retail banking clients of Digital Middle East Bank who seek low-interest loans at an annual rate of 2%, with a penalty rate of 6%. Statistical methods in this study were carried out in two phases: descriptive and inferential statistics. In the descriptive statistics section, various personality factors including age, gender, education, occupation, current debt status within the banking system, bounced checks history, money laundering records, bank account balance, transaction history, geographic location (residence and workplace), mobile phone model and operating system, as well as credit rating obtained from Iran's credit rating consulting company, were analyzed and presented using tables and graphs. Naive Bayes, Meta, Attribute Selected Classifier, and j48 algorithms were implemented and WEKA software was used to classify criteria and create patterns. Also, to evaluate the validation model and ranking of customers of unsupported microlending, the T-test was used at the significance level of 0.25.
Results
The findings indicate that when assessing a loan application, the following indicators should be considered to determine the applicant's ability to repay the loan or provide suitable collateral. Applicants demonstrating most or all of the following indicators are more likely to meet loan repayment requirements or offer adequate collateral: First, the person's previous loans have been settled 30 days and 60 days after the loan maturity date in the granting bank. Second, the person's previous loans have been settled in other banks. Third, the higher the requested loan amount, the better. Fourth, the person's age is above middle age. Fifth, the person's degree is not a bachelor's degree, diploma, or sub-diploma. Sixth, the person's score is above 40. Seventh, the operating system of the person's phone is not Android. Eighth, the person's phone model is not SAMSUNG or XIAOMI. Ninth, if the investigations related to the person's money laundering status are negative, then preferably, and if necessary, the loan of that person can be approved.
Conclusion
In this approach (unsupported micro-lending), banks should extend loans to individuals only after acquiring comprehensive knowledge about them before initiating any new credit arrangement. It is vital to gather the required data and ensure their creditworthiness and positive reputation. Banks need to obtain reliable and detailed information about borrowers, as extending facilities for maximum profitability also exposes the bank to associated risks.
تبلیغات
