Μέθοδοι υπολογιστικής νοημοσύνης και πολύ-κριτήριας ανάλυσης αποφάσεων για τη μοντελοποίηση των διαδικασιών είσπραξης ληξιπρόθεσμων οφειλών
Η παρούσα διπλωματική εργασία, η οποία διεξήχθη στο πλαίσιο του μεταπτυχιακού προγράμματος σπουδών «Στατιστική και Ανάλυση Δεδομένων» του Πανεπιστημίου Αιγαίου στο Τμήμα Στατιστικής και Αναλογιστικών – Χρηματοοικονομικών Μαθηματικών, αποσκοπεί στη βελτιστοποίηση του τομέα της είσπραξης ληξιπρόθεσμω...
Saved in:
| Main Authors: | , |
|---|---|
| Other Authors: | |
| Language: | el_GR |
| Published: |
2024
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11610/25925 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Η παρούσα διπλωματική εργασία, η οποία διεξήχθη στο πλαίσιο του μεταπτυχιακού προγράμματος σπουδών «Στατιστική και Ανάλυση Δεδομένων» του Πανεπιστημίου Αιγαίου στο Τμήμα Στατιστικής και Αναλογιστικών – Χρηματοοικονομικών Μαθηματικών, αποσκοπεί στη βελτιστοποίηση του τομέα της είσπραξης ληξιπρόθεσμων οφειλών (debt collections field). Ο συγκεκριμένος τομέας είναι ιδιαίτερα σημαντικός για τη βιωσιμότητα των οργανισμών, ενώ ταυτόχρονα ο τρόπος εφαρμογής στρατηγικών είσπραξης ληξιπρόθεσμων οφειλών απαιτεί ιδιαίτερη προσοχή καθώς έχει άμεση σχέση με τον άνθρωπο.
Για την επίτευξη αυτού του στόχου χρησιμοποιείται μία προσέγγιση πολλαπλών μεθόδων. Η έρευνα ξεκινάει εξετάζοντας το εννοιολογικό πλαίσιο του όρου «είσπραξη οφειλών», τον ρόλο, τις δυσκολίες αλλά και τη σημαντικότητα ύπαρξής του εν λόγω τομέα. Στη συνέχεια, αναλύονται βασικές θεωρητικές έννοιες της υπολογιστικής νοημοσύνης και της πολυκριτήριας ανάλυσης αποφάσεων. Τέλος, προτείνεται μία ολοκληρωμένη μεθοδολογία διαχείρισης ληξιπρόθεσμων οφειλών και διερευνάται η δυνατότητα εφαρμογής της σε πραγματικές συνθήκες. Πιο συγκεκριμένα, εξετάζεται μία μελέτη περίπτωσής όπου αξιοποιώντας πραγματικά δεδομένα επιχειρείται η στοχαστική κατηγοριοποίηση των πελατών (φυσικά πρόσωπα και επιχειρήσεις) και η εύρεση βέλτιστων στρατηγικών προσέγγισης και είσπραξης ληξιπρόθεσμων οφειλών. Η στοχαστική κατηγοριοποίηση των πελατών βασίζεται στον υπολογισμό πιθανοτήτων αναφορικά με (i) την λήψη θετικής υπόσχεσης πληρωμής (promise to pay) κατόπιν επιτυχούς τηλεφωνικής επικοινωνίας με τον πελάτη (φυσικό πρόσωπο ή επιχείρηση), (ii) τη μερική ή ολική αθέτηση των υποχρεώσεων πληρωμής (default payment) από τον πελάτη (φυσικό πρόσωπο ή επιχείρηση), αλλά και (iii) άλλες διαθέσιμες μεταβλητές ενδιαφέροντος στην βάση δεδομένων (π.χ., πόσες ημέρες ένας πελάτης είναι ενεργός στο σύστημα, υπόλοιπο οφειλής, κλπ.). Αξίζει να σημειωθεί ότι ο υπολογισμός των σχετικών πιθανοτήτων πραγματοποιείται με τη βοήθεια μοντέλων Λογιστικής Παλινδρόμησης (Logistic Regression Models), ενώ το σύνολο των μεταβλητών (i), (ii) και (iii) συνδυάζονται κατάλληλα με τη βοήθεια ενός Ασαφούς Συστήματος τύπου Mamdami (Mamdami Fuzzy Inference System) προκειμένου να πραγματοποιηθεί η τελική κατηγοριοποίηση των πελατών σε τρεις κλάσεις κινδύνου (κακοί, καλοί και πολύ καλοί πελάτες). Για κάθε κατηγορία πελατών, ένα σύστημα πολυκριτήριας ανάλυσης αποφάσεων βασισμένο στην Αναλυτική Ιεραρχική Διαδικασία (Analytic Hierarchy Process, AHP) εκτελείται συνδυάζοντας την κλάση κινδύνου που προκύπτει από το Ασαφές Σύστημα τύπου Mamdami με τις προτιμήσεις ενός ειδικού προκειμένου να σκοραριστούν και στη συνέχεια να ιεραρχηθούν/προταθούν οι πλέον κατάλληλες στρατηγικές είσπραξης οφειλών, ανά περίπτωση.
Τα αποτελέσματα της παρούσας εργασίας υπογράμμισαν τη σημασία της ενσωμάτωσης των προτεινόμενων μεθοδολογιών στις διαδικασίες είσπραξης οφειλών που εφαρμόζει ένας οργανισμός προκειμένου προωθηθεί η επιστήμη στον τομέα της είσπραξης οφειλών και να καθιερωθεί ένα πλαίσιο για ακριβέστερες και αποτελεσματικότερες στρατηγικές επικοινωνίας με τους πελάτες. |
|---|