طراحی مدل هوشمند اعطای تسهیلات بانکی مبتنی بر کلان داده بر اساس مشخصه های جمعیت شناختی، وضعیت کسب و کار و پرداختهای گذشته مشتریان (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
طراحی یک مدل هوشمند اعطای تسهیلات بانکی می تواند بسیار از دغدغه ها و نگرانیهای سیستم بانکی را در خصوص بازپرداخت وامهای اعطای شده و افزایش وامهای غیر عملیاتی را کاهش دهد. برای این منظور لازم است با بهره گیری از الگوریتمهای هوش مصنوعی چنین مدلی طراحی شود. در این تحقیق هدف طراحی یک مدل اعطای تسهیلات بانکی هوشمند بر اساس کلان داده و بر اساس مشخصه های جمعیت شناختی وضعیت کسب و کار و پرداختهای گذشته مشتریان می باشد. مدل شامل 12 متغیر بود که داده های آن از سیستم بانکی جمع اوری شده و سپس با کمک الگوریتمهای یادگیری ماشین پیاده سازی شد. سه الگوریتم کا نزدیکترین همسایه، درخت تصمیم و جنگل تصادفی در تحقیق حاضر استفاده شد که نتایج نشان می دهد الگوریتم درخت تصمیم با دقت 99.6 درصد در بالاترین سطح قادر به پیش بینی رفتار بازپرداخت مشتریان بوده و این امر نشان می دهد که متغیرهای 12 گانه معرفی شده تا بیش از 99 درصد می توانند بازپرداخت مشتریان را بر اساس سه دسته مشتریان با ریسک بالا، متوسط و ریسک اندک دسته بندی نمایند.Designing a smart model for granting banking facilities based on big data based on demographic characteristics, business status and past payments of customers
Designing a smart model for granting banking facilities can reduce many of the concerns and worries of the banking system regarding the repayment of granted loans and the increase in non-performing loans. For this purpose, it is necessary to design such a model using artificial intelligence algorithms. In this research, the aim is to design a smart model for granting banking facilities based on big data and based on demographic characteristics, business status and past payments of customers. The model consisted of 12 variables, the data of which was collected from the banking system and then implemented with the help of machine learning algorithms. Three algorithms, nearest neighbor, decision tree and random forest, were used in the present study, and the results show that the decision tree algorithm is able to predict customer repayment behavior with an accuracy of 99.6% at the highest level, and this indicates that the 12 variables introduced can classify customer repayment based on three categories of customers with high, medium and low risk with more than 99%.
تبلیغات
