26284

اعتبارسنجي مشتريان بانك به منظور اعطاي تسهيلات بانكي با استفاده از تكنيك هاي داده كاوي (مطالعه موردي بانك مسكن)

كارشناسي ارشد

مهندسي صنايع- مديريت مهندسي

1395

1400/3/9

عبدالرحمن حائري

مهندسي صنايع

يكي از معضلاتي كه نظام بانكي كشورهاي مختلف از جمله ايران با آن روبرو است، رشد فزاينده مطالبات معوق در شبكه بانكي است كه بيانگر كاهش كيفيت داراييهاي شبكه بانكي و به تبع آن، بيثباتي هاي مالي احتمالي در آينده است، لذا قيمتگذاري صحيح تسهيلات، اختصاص درست هزينههاي ريسك به وامگيرندگان مختلف و برآورد درست ريسك گيرندگان تسهيلات از اهميت بسياري برخوردار شده است. در جهت كنترل اين روند در دهههاي اخير، بسياري از بانكها به روشهاي اعتبارسنجي رو آوردهاند. در فرآيند اعتبارسنجي با استفاده از روشهايي مبتني بر سوابق مالي كه بر اساس آن مشتريان به گروههاي اعتباري تقسيم ميشوند، تصميمگيريهاي لازم براي اعطاي تسهيلات صورت ميگيرد. هدف از اين پژوهش بكارگيري تكنيك دادهكاوي براي پيشبيني و دستهبندي رفتار مشتريان بانك مسكن بر اساس شاخصها و پارامترهاي تأثيرگذار بر عدم بازپرداخت تسهيلات ميباشد و دادهها شامل اطلاعات مشترياني است كه در بازهي فروردين 96 تا تير ماه 98 از شعب مختلف اين بانك در سراسر كشور، تسهيلات مختلف با بازپرداخت حداكثر 18 ماهه دريافت نمودهاند. در اين تحقيق كه از نوع كاربردي ميباشد، از تكنيكهاي دادهكاوي بر اساس فرآيند CRISP-DM و نرمافزار SpssModeler18 اسستفاده شده است. درمرحلهي اول با انجام مصاحبه با كارشناسان مسئله كسب و كار مورد مطالعه شناسايي و پس از آن به شناسايي دادهي مناسب پرداختيم و سپس پاكسازي داده هاي حاصل شده از مرحله تحليل داده را انجام و در مرحلهي مدل سازي با درنظر گرفتن حالات مختلف براي فيلد هدف و اجراي الگوريتمهاي مختلف دستهبندي سعي شد تا مدلي كه از لحاظ صحت و دقت از كارايي بالاتري برخوردار باشد شناسايي شود. پس از شناسايي مدل، به جهت افزايش دقت مدل از ده از روش دستهبند تركيبي Boosting استفاده شد و در نهايت از روش اعتبارسنجي متقابل براي ارزيابي مدل و پوشش ماهيت داده محوري مدل انتخابي استفاده شد.

1401/01/15

Accreditation of Bank Customers for Granting Bank Facilities Usincg Data Mining Techniques (Case Study of Maskan Bank)

5/30/2022 12:00:00 AM

One of the problems faced by the banking system of various countries, including Iran, is the increasing growth of overdue receivables in the banking network, which indicates a decrease in the quality of banking network assets and, consequently, possible financial instability in the future, so The correct pricing of facilities, the correct allocation of risk costs to different borrowers and the correct estimation of the risk of the borrowers have become very important. To control this trend in recent decades, many banks have resorted to credit methods. In the accreditation process, the necessary decisions are made to grant facilities using methods based on financial records, according to which customers are divided into credit groups. The purpose of this study is to use data mining technique to predict the behavior of bank customers that can be categorized well based on indicators and parameters influencing the selection of credit applicants and reduce the possibility of non-repayment of facilities granted. In this research, which is of practical type, data mining techniques based on CRISP-DM process and SpssModeler18 software have been used. In the first stage, by considering different scenarios for the target field and executing different classification algorithms, an attempt was made to identify a model that has a higher efficiency in terms of accuracy and precision. After identifying the model, in order to increase the accuracy of the model, ten Boosting combined classification methods were used and finally, the cross-validation method was used to evaluate the model and cover the data-driven nature of the selected model.

Mahya Mansoori

Dr. Abdorrahman Haeri