Κατηγοριοποίηση πελατών λιανικής τραπεζικής

Στη συγκεκριμένη εργασία εξετάστηκε το πρόβλημα της κατηγοριοποίησης υφιστάμενων πελατών λιανικής τραπεζικής μιας τράπεζας σε «καλούς» ή «κακούς» με βάση δημογραφικά χαρακτηριστικά αλλά και πληροφορίες που σχετίζονται με τη συμπεριφορά τους ως πελάτες. Η χρήση στατιστικών μεθόδων αξιολόγησης και έ...

Full description

Saved in:

Bibliographic Details
Main Author:	Σαμψώνης, Κωνσταντίνος
Other Authors:	Μαραγκουδάκης, Εμμανουήλ
Language:	el_GR
Published:	2018
Subjects:	Εξόρυξη Δεδομένα Κατηγοριοποίηση Data mining Rapidminer Classification Modeling Data mining (URL: http://id.loc.gov/authorities/subjects/sh97002073) Modeling (URL: http://id.loc.gov/authorities/subjects/sh85086422) Classification (URL: http://id.loc.gov/authorities/subjects/sh2002012033)
Online Access:	http://hdl.handle.net/11610/18410
Tags:	Add Tag No Tags, Be the first to tag this record!

_version_	1828461187411476480
author	Σαμψώνης, Κωνσταντίνος
author2	Μαραγκουδάκης, Εμμανουήλ
author_facet	Μαραγκουδάκης, Εμμανουήλ Σαμψώνης, Κωνσταντίνος
author_sort	Σαμψώνης, Κωνσταντίνος
collection	DSpace
description	Στη συγκεκριμένη εργασία εξετάστηκε το πρόβλημα της κατηγοριοποίησης υφιστάμενων πελατών λιανικής τραπεζικής μιας τράπεζας σε «καλούς» ή «κακούς» με βάση δημογραφικά χαρακτηριστικά αλλά και πληροφορίες που σχετίζονται με τη συμπεριφορά τους ως πελάτες. Η χρήση στατιστικών μεθόδων αξιολόγησης και έγκρισης αιτημάτων δανειοδοτήσεων, βοήθησε στην εκρηκτική ανάπτυξη της λιανικής πίστης, λόγω της μεγάλης εξοικονόμησης χρόνου που η μαζική εξέταση με στατιστικές τυποποιημένες και αμερόπληπτες μεθόδους προσφέρει. Στην παρούσα εργασία εξετάστηκε δείγμα 35.000 περίπου ιδιωτών πελατών δανειακών προίόντων λιανικής τραπεζικής (καταναλωτικά, προσωπικά, δάνεια αγοράς αυτοκινήτων, πιστωτικές κάρτες). Κακοί θεωρήθηκαν οι πελάτες που σε ένα χρονικό ορίζοντα ενός έτους παρουσίασαν έστω και μια φορά καθυστέρηση πληρωμών άνω των 30 ημερών, ή το δάνειό τους ρυθμίστηκε λόγω αδυναμίας ικανοποίησης των αρχικών όρων αποπληρωμής. Εξετάστηκαν διάφορα μοντέλα κατηγοριοποίησης, όπως ο αλγόριθμος Δέντρου Απόφασης του Hunt, o Κατηγοριοποιητής Κανόνων, Πλησιέστερου Γείτονα, Bayes, Τεχνητά Νευρωνικά Δίκτυα, η Μηχανή Υποστήριξης Διανυσμάτων (SVM), οι Ομάδες Κατηγοριοποιητών. Τα εξεταζόμενα μοντέλα αξιολογήθηκαν συγκριτικά με βάση μετρικές απόδοσης όπως η Ακρίβεια, η μετρική f και η AUC (Area Under the Curve). Στη συνέχεια τα αποτελέσματα της συγκριτικής ανάλυσης αξιολογήθηκαν ως προς τα αντίστοιχα αποτελέσματα σχετικών ερευνητικών εργασιών, όπου και αναδέιχθηκε σύγκλιση στα συμπεράσματα.
id	oai:hellanicus.lib.aegean.gr:11610-18410
institution	Hellanicus
language	el_GR
publishDate	2018
record_format	dspace
spelling	oai:hellanicus.lib.aegean.gr:11610-184102025-03-14T10:03:48Z Κατηγοριοποίηση πελατών λιανικής τραπεζικής Σαμψώνης, Κωνσταντίνος Μαραγκουδάκης, Εμμανουήλ Πληροφοριακά και Επικοινωνιακά Συστήματα Εξόρυξη Δεδομένα Κατηγοριοποίηση Data mining Rapidminer Classification Modeling Data mining (URL: http://id.loc.gov/authorities/subjects/sh97002073) Modeling (URL: http://id.loc.gov/authorities/subjects/sh85086422) Classification (URL: http://id.loc.gov/authorities/subjects/sh2002012033) Στη συγκεκριμένη εργασία εξετάστηκε το πρόβλημα της κατηγοριοποίησης υφιστάμενων πελατών λιανικής τραπεζικής μιας τράπεζας σε «καλούς» ή «κακούς» με βάση δημογραφικά χαρακτηριστικά αλλά και πληροφορίες που σχετίζονται με τη συμπεριφορά τους ως πελάτες. Η χρήση στατιστικών μεθόδων αξιολόγησης και έγκρισης αιτημάτων δανειοδοτήσεων, βοήθησε στην εκρηκτική ανάπτυξη της λιανικής πίστης, λόγω της μεγάλης εξοικονόμησης χρόνου που η μαζική εξέταση με στατιστικές τυποποιημένες και αμερόπληπτες μεθόδους προσφέρει. Στην παρούσα εργασία εξετάστηκε δείγμα 35.000 περίπου ιδιωτών πελατών δανειακών προίόντων λιανικής τραπεζικής (καταναλωτικά, προσωπικά, δάνεια αγοράς αυτοκινήτων, πιστωτικές κάρτες). Κακοί θεωρήθηκαν οι πελάτες που σε ένα χρονικό ορίζοντα ενός έτους παρουσίασαν έστω και μια φορά καθυστέρηση πληρωμών άνω των 30 ημερών, ή το δάνειό τους ρυθμίστηκε λόγω αδυναμίας ικανοποίησης των αρχικών όρων αποπληρωμής. Εξετάστηκαν διάφορα μοντέλα κατηγοριοποίησης, όπως ο αλγόριθμος Δέντρου Απόφασης του Hunt, o Κατηγοριοποιητής Κανόνων, Πλησιέστερου Γείτονα, Bayes, Τεχνητά Νευρωνικά Δίκτυα, η Μηχανή Υποστήριξης Διανυσμάτων (SVM), οι Ομάδες Κατηγοριοποιητών. Τα εξεταζόμενα μοντέλα αξιολογήθηκαν συγκριτικά με βάση μετρικές απόδοσης όπως η Ακρίβεια, η μετρική f και η AUC (Area Under the Curve). Στη συνέχεια τα αποτελέσματα της συγκριτικής ανάλυσης αξιολογήθηκαν ως προς τα αντίστοιχα αποτελέσματα σχετικών ερευνητικών εργασιών, όπου και αναδέιχθηκε σύγκλιση στα συμπεράσματα. 2018-05-04T12:30:36Z 2018-05-04T12:30:36Z 2017-08-03 http://hdl.handle.net/11610/18410 el_GR Default License 107 σ. application/pdf Σάμος
spellingShingle	Εξόρυξη Δεδομένα Κατηγοριοποίηση Data mining Rapidminer Classification Modeling Data mining (URL: http://id.loc.gov/authorities/subjects/sh97002073) Modeling (URL: http://id.loc.gov/authorities/subjects/sh85086422) Classification (URL: http://id.loc.gov/authorities/subjects/sh2002012033) Σαμψώνης, Κωνσταντίνος Κατηγοριοποίηση πελατών λιανικής τραπεζικής
title	Κατηγοριοποίηση πελατών λιανικής τραπεζικής
title_full	Κατηγοριοποίηση πελατών λιανικής τραπεζικής
title_fullStr	Κατηγοριοποίηση πελατών λιανικής τραπεζικής
title_full_unstemmed	Κατηγοριοποίηση πελατών λιανικής τραπεζικής
title_short	Κατηγοριοποίηση πελατών λιανικής τραπεζικής
title_sort	κατηγοριοποίηση πελατών λιανικής τραπεζικής
topic	Εξόρυξη Δεδομένα Κατηγοριοποίηση Data mining Rapidminer Classification Modeling Data mining (URL: http://id.loc.gov/authorities/subjects/sh97002073) Modeling (URL: http://id.loc.gov/authorities/subjects/sh85086422) Classification (URL: http://id.loc.gov/authorities/subjects/sh2002012033)
url	http://hdl.handle.net/11610/18410
work_keys_str_mv	AT sampsōnēskōnstantinos katēgoriopoiēsēpelatōnlianikēstrapezikēs

Κατηγοριοποίηση πελατών λιανικής τραπεζικής

Similar Items