پایاننامهی کارشناسی ارشد: کاظم کوثری، ۱۳۹۶
پیش بینی بازپرداخت وام توسط مشتریان در سیستم های بانکی با استفاده از الگوریتم های داده کاوی
امروزه یکی از مسائل مهم و مورد توجه در حوزه بانکداری ، توجه به رویکرد مشتری مداری میباشد. بانکها در بازار رقابت ، سخت در تلاش برای حفظ مشتریهای وفادار فعلی و جذب مشتریان جدید میباشند. در این میان استفاده از تکنولوژیهایی همانند داده کاوی میتواند راهنمای بسیار مفیدی برای مدیران سیستم بانکی کشور باشد. در این تحقیق ما به شناسایی مشتریان خوشحساب از بدحساب در پرداخت تسهیلات ، میپردازیم. تا بتوان تمایزی بین مشتریان قبل از دریافت تسهیلات ایجاد نماییم. روش کار این تحقیق بررسی الگوریتمهای داده کاوی مانند خوشهبندی و اعمال وزنها بر روی ویژگیها و استفاده از الگوریتمهای خوشهبندی مانند شبکه عصبی ، درخت تصمیم ، KNN و Tree Bagger که در نرم افزار Matlab پیداه سازی شده است میباشد. دادههای مورد استفاده از یک موسسه مالی و اعتباری در شهرستان سبزوار میباشد که شامل 683 فقره تسهیلات دریافتی میباشد. بهترین الگوریتم طبقهبندی الگوریتم شبکه عصبی به همراه k-means و وزندار کردن ویژگیها با عملکرد 81% میباشد.
کلیدواژهها:
بانکداری – داده کاوی – تسهیلات – مشتریان خوش حساب
M.A. Thesis:
Predicting the payment of loans by customers in banking systems using the data mining algorithms
Today , one of the important and noticeable problems in banking fields is considering customer orientation.
Banks in the competition market , are hardly trying to keep the current loyal customer and attract new customer. Using the technologies like Data Mining can be a good guidance for bank managers.
In this Articles, we are identifying the good customers from bad customers in paying loans to can be able to considering difference among the customers before the receiving the loans.
Method of this article is reviewing the Data Mining Algorithms like clustering and weighing features and using Clustering Algorithms like ANN ,DT , KNN , Tree Bagger which is made by Matlab.
used data in this Article are adapted from a financial institution which is located in Sabzevar and has 683 received loans items. The best Classification Algorithm is the ANN Algorithm with K-means and weighing features with and 81% performance.
Keywords:
-good customer-banking-data mining-loan-