بخشی از مقاله
ارزیابی و خوشه بندی رفتار اعتباری مشتریان با استفاده از تلفیق روش AHP و شبکه های عصبی
چکیده
شرایط متغیر اقتصادی، تصمیم گیری جهت تخصیص بهینه منابع محدود مالی و ارتقاء سطح کیفیت خدمات و تسهیلات را به یک موضوع مهم برای مؤسسات مالی و بانک ها تبدیل نموده است. در این تحقیق به مدلسازی و خوشه بندی رفتار اعتباری مشتریان با استفاده از شبکه های عصبی جهت تخصیص بهینه بودجه و ارتقای کیفیت خدمات و تسهیلات بانکی پرداخته شده است. در این تحقیق ابتدا با روش AHP ضرایب وزنی هر یک از متغیرهای ورودی و ارتباطات تعیین و این ضرایب وزنی به عنوان اوزان اولیه در شبکه عصبی فازی استفاده شده است. این عمل باعث افزایش سرعت و دقت یادگیری شبکه عصبی فازی به میزان قابل توجه شده است. نتایج بدست آمده حاکی از آن است که رفتار اعتباری مشتریان با استفاده از مدل های خوشه بندی شبکه عصبی قابل پیش بینی میباشد. همچنین مدل شبکه عصبی فازی با همان دادهها و بدون معماری و اوزان AHP اجرا گردید. مقایسه بین قدرت تفکیک مدل های شبکه عصبی فازی در دو حالت نشان می دهد که مدل های رتبه بندی اعتباری شبکه های عصبی فازی با معماری و اوزان AHP نسبت به مدل شبکه عصبی فازی بدون معماری و اوزان AHP از دقت و سرعت پیش بینی بالاتری برخوردار است.
کلمات کلیدی: اعتبارسنجی ، شبکه عصبی فازی ، AHP، صنعت بانکداری
۱- مقدمه:
علم تصمیم گیری همواره با انسان همراه بوده و با ظهور سازمان ها، شرکتها و خاصه با تغییرات پرشتاب محیطی توسعه فراوان یافته است. بسیاری از محققان تلاش و همت خویش را در این حوزه متمرکز نموده اند تا الگوهای مناسب تر و دقیق تری را برای بهبود نظام های تصمیم گیری معرفی نموده و تصمیم گیران را با توفیق بیشتری مواجه سازند۱.
در اعطای تسهیلات، که یکی از عمده ترین فعالیتهای بانک ها و مؤسسات اعتباری است، برای تصمیم گیری صحیح، باید در جه اعتبار و قدرت بازپرداخت اصل و سود تسهیلات اعطایی، یعنی ریسک درجه اعتبار کاهش یابد. یکی از روش های کاهش این ریسک، طراحی نظام تعیین درجه اعتبار برای دریافت کنندگان تسهیلات است و کانون این نظام، مدل رتبه بندی یا ارزیابی اعتباری مشتریان است ۲. با استفاده از چنین مدل هایی، رتبه یا درجه اعتباری متقاضی مشخص شده و بر اساس ان راجع به میزان اعطای تسهیلات، تصمیم گیری می شود. بنابراین ریسک یا احتمال عدم وصول مطالبات در قدرت و توانایی یک مؤسسه مالی تأثیر بسیاری می گذارد. درجه اعتبار متقاضی با مدل 5C قابل اندازه گیری می باشد. معیارهای مدل C 5 شامل شخصیت یا ویژگیهای فردی Character)،( ظرفیت (Capacity) سرمایه (Capital) وثیقه (Collateral) و شرایط اقتصادی (Conditions of Economic) می باشد.منظور از شخصیت، درصد احتمالی است که مشتری می کوشد تا دیون خود را پرداخت کند. ظرفیت، یک شاخص ذهنی برای ارزیابی توانایی مشتری در استفاده از تسهیلات و بازپرداخت اصل و سود تسهیلات می باشد. سرمایه را می توان با مراجعه به وضعیت مالی مشتری از طریق تجزیه و تحلیل شاخص های مالی اندازه گیری نمود. وثیقه، دارایی هایی است که مشتری به عنوان پشتوانه برای اعتبار دریافتی، ارائه می دهد. شرایط اقتصادی نیز بررسی اثر روندهای عمومی و تغییرات خاص اقتصادی در توانایی مشتری برای بازپرداخت دیون خود می باشد ۳.مؤسسات مالی تلاش می کنند تا از تکینک ها و ابزارهای دانایی جهت تصمیم گیری اتوماتیک و خودکار بهره گیرند تا فرآیند ارزیابی مشتریان و وامها را بهبود بخشند و مدیران را در پیش بینیها و تصمیم گیری ها یاری دهند. سیستمهای خبره و شبکه های عصبی از جمله این ابزار ها هستند. سیستمهای خبره فقط برای چند وظیفه تصمیم گیری مالی می توانند به کار برده شوند. بنابراین دیگر مسایل مالی مانند خوشه بندی اعتباری مشتریان، ارزیابی ریسک، پیش بینی ورشکستگی و ... در آن سوی قلمرو و تکنولوژی سیستمهای خبره خواهند بود. معایب سیستم خبره شامل مشکلات برنامه ریزی و نگهداری از سیستم، زمان بر بودن و دشواری استخراج پایگاه دانش از هوش و تخصص انسان و تبدیل آن به قواعد و ناتوانی در یادگیری استنتاجی و منطبق نمودن پایگاه قوانین در جهت تغییر وضعیت ها می باشد. این مسایل و مشکلات ممکن است که بصورت ویژه تجزیه و تحلیل های مسایل مالی مدیریت را دچار مشکل نماید در حال حاضر بهره برداری از سیستم های هوشمند به منظور بهینه سازی و پش بینی به عنوان یکی از ابزارهای پیشرفته در حوزه های مختلف علوم، کاربرد فراوان دارد. شبکه عصبی به عنوان سیستم هوشمند در عرصه های مختلف مالی از جمله تصویب اعتبار کاربرد دارند. شبکههای عصبی فازی با استفاده از شبیه سازی فرآیندها بر اساس درک انسان و یادگیری سریع و دقیق حتی وقتی که اطلاعات ناکامل باشد، دارای ظرفیت تولید پاسخ مناسب برای مسایل می باشند. در تصویب اعتبارات، ارزیابی اعتباری مشتریان یکی از موارد بسیار پیچیده در فعالیت های مالی به شمار می رود. برای ارزیابی اعتبار مشتریان آنچه اهمیت دارد این است که حرکت و رابطه مجموعه ای از متغیرها را با مجموعه ای دیگر دریابیم. برای این کار مدل شبکه عصبی به مراتب از مغز فراتر می رود، زیرا مغز انسان در یک لحظه نمی تواند چند مورد را با هم مورد مقایسه و تجزیه و تحلیل قرار دهد [۴]. ارزیابی اعتباری مشتریان می تواند توسط کارشناسان خبره و ارزیاب ها انجام پذیرد، لیکن این امر اغلب به علت کمبود وقت، هزینه بالا، کمبود تعداد افراد خبره و تعداد زیاد موارد ارزیابی مقرون به صرفه نیست. با استفاده از فن آوری اطلاعات و ارتباطات که تحول عظیمی در سیستم بانکداری به وجود آورده و ضمن ایجاد فرصت های نوین، چالش های جدیدی را نیز به خود به ارمغان آورده است می توان مدل های ارزیابی اعتباری را طراحی کرد و با استفاده از روش های علمی به جای قضاوتهای ذهنی، در زمان کم و با هزینه مناسب، مشتریان خوش حساب، بد حسابی و میانه را از هم تفکیک کرد. بنابراین در این تحقیق ضمن شناسایی فاکتورهای کمی و کیفی مؤثر در اعتبارسنجی مشتریان که باید هنگام ارزیابی مشتری از سوی بانک ها لحاظ شود، مدلی جهت ارزیابی و تصمیم گیری برای تخصیص تسهیلات به مشتریان ارائه شده است.
ساختار این مقاله در ادامه به شرح زیر است : در بخش دوم ادبیات موضوع مورد بررسی قرار گرفته است و در بخش سوم نحوه بکارگیری شبکه عصبی در مسئله تصویب اعتبار ارائه شده است، که شامل شناسایی و دسته بندی معیارها، جامعه و نمونه اماری ، تبدیل داده ها به ورودیهای مناسب شبکه عصبی ، استفاده از AHIP در تعیین اوزان اولیه شبکه عصبی و تفکیک اطلات به مجموعه های آموزش و آزمایش است. در بخش های چهارم تا ششم، تحوه انتخاب معماری و اموزش و آزمایش شبکه عصبی مورد بحث قرار گرفته است و در بخش هفت یک نمونه مثال عددی جهت نشان دادن نحوه محاسبات آورده شده است و در بخش پایانی نتایج و تحقیقات آتی آمده است.
۲- مرور ادبیات تحقیق
یکی از بزرگترین و سودمندترین کاربردهای شبکه عصبی در بانک چیس آمریکا مشاهده شده است. در این بانک فاکتور اعتباری مشتریان در طراحی استراتژی بانک جهت کاهش زیان مربوط به وام ها و تسهیلات در نظر گرفته شده است. بر این اساس اکثر داد و ستدهای بانک چیس دارای سه وضعیت خوب، بد و متوسط می باشد [۵].
اعطای تسهیلات بانکی از لحاظ اقتصادی اهمیت زیادی دارد. زیرا افزایش کمی سرمایه، باعث رشد و توسعه اقتصادی می شود ۶]. اما در اعطای تسهیلات، بانک ها با خطر بزرگی که به آن ریسک اعتباری می گویند مواجه هستند. این ریسک علت مواجه بانک ها با بحران های عمده مالی است. ریسک اعتباری را می توان احتمال عدم بازپرداخت وام از طرف متقاضی در نظر گرفت [۷]. برای مدیریت ریسک اعتباری از روش های مختلفی می توان استفاده نمود. یکی از این روش ها طراحی نظام تعیین درجه اعتباری برای دریافت کنندگان تسهیلات است [۲]. این تحقیق در بازار وسیع اعتبارات با طراحی و استقرار سیستم اعتبارسنجی، بدنبال شناسایی الگوهای رفتاری مشتریان و در نتیجه امکان پیش بینی رفتار مشتریان است. ارزیابی اعتبار مشتریان زمینه بسیار پیچیده ای در فعالیتهای مالی به حساب می آید. تعداد عوامل و پیچیدگی روابط مالی، اقتصادی و رفتاری، ارزیابی اعتبار مشتریان را بسیار دشوار می سازد. از طرف دیگر امور ارزیابی اغلب باید در محدوده زمانی کوتاه صورت پذیرد، زیرا طولانی شدن فرآیند ارزیابی موجب تاخیر در عملیات و در نهایت موجب افزایش هزینه ها خواهد شد. همچنین عدم دقت کافی در ارزیابی می تواند به تصمیمات اشتباه و در نهایت زیان های گزاف منجر شود. محدودیت زمانی و ضرورت دقت در ارزیابی، پیچیدگی موضوع را دو چندان می کند [۴]. سیستم های رتبه بندی اعتبار مشتریان را میتوان به سه دسته سیستم های قضاوتی، تکنیکهای آماری و سیستمهای هوشمند تقسیم نمود [۸. سیستمهای قضاوتی بسیار کند و پر هزینه هستند. این سیستمها عموماً زمانی که تعداد تقاضاها بالا و تعداد خبرگان کم می باشد کارآیی لازم را ندارند. روشهای آماری نیز، هر یک از تکنیک هایش، فرض های خاصی را می طلبد. بدیهی است که با عدم وجود یا کمرنگ شدن پیش فرضیها، دقت و صحت خروجی ها مورد تردید قرار میگیرد. وقتی که قوانین تصمیم گیری واضح و اطلاعات معتبر می باشند سیستمهای خیره کمک بزرگی به حل مسایل می کنند. اما اغلب قوانین مؤسسات اعطاء کننده وام، شفاف نیست و یا اصلاً اطلاعات وجود نداشته و یا بخشی از اطلاعات صحیح نیست. در این صورت شبکه عصبی گزینه مناسبی برای ارزیابی اعتبار مشتریان می باشد.
بریانت در مطالعه ای که انجام داده است برای پاسخگویی به این سئوال که آیا سیستم های هوشمند ابزاری کارآمد و سودمند در فراهم آوردن راهنمایی جهت فرآیند ارزیابی وام هستند یا خیر، یک مدل ارزیابی و سیستم هوشمند ارائه کرده است که بر محدودیتها و عواملی که باعث ناکارآیی سیستمهای قبلی بوده است غالب شده است. ایشان یرای بررسی و ارزیابی اعتبار متقاضیان از فاکتورهای 5Sنموده است || ۱۰، ۱۱.
کیویجاری بوسیله یک پروژه عملی نشان داد که چگونه یک سیستم مبتنی بر رایانه می تواند تمامی فرآیند مدیریت سرمایه گذاری را به شیوه ای کارآمد، پشتیبانی می کند. این سیستم تلاش می کند در هر مرحله از فرآیند سرمایه گذاری از داوری انسان به کمک فنون مناسب رایانه ای پشتیبانی کند و در همان حال داده های ذهنی و عینی را نیز پذیرش کند. در این سیستم بعد از شناسایی شاخص ها و دسته بندی آنها، به کمک فرآیند تحلیل سلسله مراتبی AHP، معیار هاوزن دهی شده و سپس یک نرم افزار برای ارزیابی اعتبار مشتریان طراحی شده است || ۱۲].
تجربه اعطای تسهیلات، در بانک ها و مؤسسات مالی نشان میدهد که، چهار مرحله فرایند تصمیم گیری به صورت زیر است ۱۳]:
1-ایا بایستی به متقاضی تسهیلات، اعتباری تخصیص داده شود؟
۲- در چه دوره زمانی بایستی به متقاضی، اعتبار تخصیص داده شود؟
۳- آیا نیازی به مداخله در فرآیند به هر دلیلی وجود دارد؟
۴- اگر مداخله نیاز است، معامله چگونه باید انجام شود؟
تعاریف مختلفی از ریسک اعتباری وجود دارد. سینکی تعریف زیر را از ریسک اعتباری ارائه نموده است : خطر اساسی در اعطای اعتبار عبارتست از احتمال ایتکه وام گیرنده نتواند وام را بازپرداخت نماید. ریسک اعتباری باید مدیریت شود و یکی از روشهای مدیریت ریسک درجه اعتباری، طراحی نظام تعیین درجه اعتباری برای دریافت کنندگان تسهیلات است [۲].
فرنس کیس مدل های رتبه بتدی اعتباری را در دو گروه ارزیابی پارامتری و درخت دسته بندی، تقسیم بندی میکند ۱۴]. ایده جداسازی گروه ها در یک جمعیت به وسیله فیشو در سال ۱۹۲۶ مطرح شد ۱۵ . التمن در سال ۱۹۲۸ اولین سیستم ارزیابی تقاضانامه های اعتباری را با بکارگیری پنج معیار توسعه داد. ۱۶] دوراند در سال ۱۹۴۱ یک پروژه تحقیقاتی برای اداره ملی تحقیقات اقتصادی آمریکا انجام داد. ایشان بنیان گذار سیستم های رتبه بندی اعتبار به روش کنونی می باشد [۸. در سال ۱۹۶۳ مایرز و هنرجی آنالیز ممیزی چند متغیره برای رتبه بندی اعتباری مشتریان ارائه نمودند. مور و کلن اولین بار در سال ۱۹۶۷ نشان دادند که رابطه بین متغیرها و معیارها با گذشت زمان تغییر می کنند [۸]. مدل امتیاز التمن در سال ۱۹۶۸ برای رتبه بندی شرکتها با استفاده از روش آنالیز ممیزی چند متغیره ارائه شد. در سال ۱۹۷۷ التمن- هالدمن و نارایانان نسل دوم این مدل را معرفی کردندل۸]. در سال ۱۹۸۰ رگرسیون لجستیک و برنامه ریزی خطی برای ارزیابی اعتبار مشتریان بکار گرفته شد[۱۶].
در حال حاضر تکنیک های هوش مصنوعی در پی آن هستند که به جای کاهش شانس یک مشتری با درخواست ناجور، درصدد یافتن راهی برای افزایش سود شرکت از آن مشتری خاص هستند [۱۶] در بازار اعتبارات ایران یکی از مشکلات اعطای تسهیلات، ضوابط اخذ وثیقه و یا آورده نقدی از طرف متقاضیان استفاده از اعتبارات و تسهیلات شبکه بانکی است. تجزیه و تحلیل اطلاعات نشان می دهد که ٪۷۵ جامعه مورد مطالعه، ضوابط اخذ وثیقه و انعطاف ناپذیر بودن معیارهای ارزیابی جهت جلوگیری از سوخت شدن اصلی و سود تسهیلات را یکی از مشکلات دسترسی به تسهیلات به اعتبارات اعطایی سیستم بانکی می دانند. همچنین حدود ۰/۹۵ از پاسخ دهندگان، طولانی بودن زمان ارزیابی اعتبارات را مشکل آفرین بیان نموده اند [۱۷]. با توجه به شرایط بازار اعتبارات و با در نظر گرفتن انواع سیستم های رتبه بندی اعتباری، مسئله تحقیقی، پیش بینی الگوی رفتاری، بازپرداخت مشتریان تسهیلات اعتباری در بانک های ایران
می باشد .تحقیق حاضر تلاشی برای درجه بندی اعتباری مشتریان بانک می باشد. این درجه بندی یا دو روش تلفیق AHP و بدون اوزان AHP انجام شده است. در این تحقیق ابتدا متغیرهای تأثیر گذار به رفتار اعتباری مشتریان شناسایی و طبقه بندی شده اند. سپس با استقاده از روش AHIP وزن هر یک ار عوامل محاسبه شده است. در مرحله بعد مدل های شبکه عصبی رتبهبندی اعتبار مشتریان طراحی شده است. در نهایت یکس بار با استفاده از اوزان AHP شبکه عصبی اجرا و یک بار بدون استفاده از AHP و اوزان تصادفی مدل شبکه عصبی اجرا شده است. خروجی این دو حالت با هم مقایسه و جواب های حاصل از تلفیق مدل AHIP و شبکه عصبی به طور قابل توجه نسبت به جواب های مدل شبکه عصبی بدون اوزان AHP دارای سرعت و دقت بیشتر بوده اند.
۳- بکارگیری شبکه عصبی در مسئله تصویب اعتبار
شیکه های عصبی هوشمند برای محیطهای مشکل و پیچیده ابزار مناسبی می باشند. محیط هایی که بسیار غیرساختاری هستند و بعضی از اشکال، شناخت الگو نیاز دارند و باید درگیر داده های خراب شده و یا غیر کامل باشند. وقتی که وظیفه تصویب اعتبار مشتریان و حدود تخصیص اعتبار، به کارکنان مالی سطح پایین تفویض می شود، یک فرآیند کاربر و زمان بر خواهد بود. تیم های کامپیوتری و نرم افزارهای معمولی نمی توانند ذهنیات و دیگر عناصر قابل تبدیل به کمیات فرآیند تصمیمگیری انسان را با هم در آمیزند و همچنین اغلب اطلاعات مربوط به مشتریان نمی تواند به شکل استاندارد و مناسب برای تصمیم گیری تبدیل شود. بنابراین یک سیستم شبکه عصبی باید اطلاعات مربوط به مشتریان را همچون یک بردار ورودی آموزش دهد و تصمیمات واقعی تحلیلگر اعتباری یک مؤسه را همچون بردار ستانده مطلوب بیاموزد. هدف این سیستم در واقع تقلید رفتار تصمیم گیری های انسان در اعطاء و یا لغو اعتبار می باشد. همچنین سیستم باید توانایی مواجهه با تنوع اطلاعات ورودی بدون نیاز به تبدیل اطلاعات به شکل استاندارد را داشته باشد. فرآیند کلی به کار گیری شبکه عصبی مصنوعی در حل مسئله تصویب اعتبار به صورت زیر است :
۱- جمع آوری اطلاعات مفید و مؤثر .
۲- تفکیک اطلاعات به مجموعه های آموزش و آزمایش .
۳- تبدیل اطلاعات به ورودیهای مناسب برای شبکه.
۴- انتخاب یک معماری مناسب برای شبکه عصبی.
۵- آموزشی، آزمایش و اجرای شبکه.
انواع مختلفی از شبکه های عصبی مصنوعی با توجه به اهداف تحقیق می تواند مورد استفاده قرار گیرند که یکی از معروف ترین آنها، شبکه عصبی چند لایه پیش خور (MFNN) می باشد. شبکه عصبی چند لایه پیش خور مثالی از شبکه عصبی آموزش داده شده با استفاده از ناظر است. بر طبق مطالعات اخیر، بیش از پنجاه درصد مطالعات کاربردی گزارش شده از شبکه عصبی چند لایه پیش خور (MFNN) با قوانین الگوریتم یادگیری پس انتشار استفاده کرده اندال ۱۸]. این نوع شبکه عصبی به دلیل کاربردهای گسترده در بسیاری از ابعاد مسایل مربوط به مدیریت مانند پیش بینی، طبقه بندی و مدل سازی، بسیار محبوب است. MIFNN برای حل مسائلی که شامل یادگیری ارتباط بین یک مجموعه ورودیها و خروجی ها مشخص هستند، مناسب می باشد.
در این مطالعه با ترکیب شبکه های عصبی مصنوعی و منطق فازی، موفق به پیاده سازی یک سیستم فازی به گونه شده ایم که قابلیت یادگیری داشته باشد. در این روش در هر دور آموزش هنگام حرکت رو به جلو خروجی های گروه ها به صورت عادی تا لایه آخر محاسبه می شود و سپس با مقایسه مقدار خروجی واقعی و مطلوب توسط روش کمترین مربعات خطا، مقدار خطا محاسبه می شود. در مسیر بازگشت به عقب نسبت خطا بر روی پارامترهای شرط، پخش شده و با استفاده از روش شیب نزولی خطا مقدار آن تصحیح می شود. ساختار های مختلفی برای پیاده دسازی یک سیستم فازی توسط شبکه های عصبی پیشنهاد شده است که یکی از پر قدرتترین این ساختارها، ساختار موسوم به سیستم استدلال عصبی فازی معمولی (ANFIS) است که توسط JaTTS ابداع گردیده است || ۱۹] . معماری سیستم استدلال عصبی فازی مصنوعی در شکل (۱) نشان داده شده است.
در این شبکه مقادیر ورودی و خروجی و واوزان به صورت فازی می باشند. روش آموزش ANFIS پس انتشار خطا میباشد. در این روش با استفاده از الگوریتم تندترین شیب نزولی، مقدار خطا به سمت ورودیها پخش می گردد و پارامتر تصحیح می شوند. تفاوت اصلی شبکه عصبی فازی با شبکه عصبی مصنوعی در آن است که وزن ها و مقادیر ورودی و خروجی شبکههای عصبی فازی، به صورت فازی تعریف می شوند.
۱-۳ - شناسایی و دسته بندی معیار مؤثر در خوشه بندی اعتباری مشتریان
برای کسب دانایی در خصوص فرآیند ارزیابی و خوشه بندی اعتبار مشتریان، در مرحله اول مصاحبه های با چند نفر از کارشناسان خبره این موضوع در چند بانک و مؤسه مالی کشور انجام گرفت. با مقایسه اطلاعات کسب شده و مطالعات صورت گرفته از بانک ها و مؤسات مالی دیگر کشورها، می توان پی برد که بانک ها و مؤسسات مالی کشور بر خلاف سایر کشورها، یک مدل جامع و کامل برای ارزیابی و خوشه بندی اعتبار مشتریان ندارند.
به عقیده کارشناسان مورد مطالعه، مدون نبودن قوانین در این زمینه، راه را برای اعمال نفوذ و تصویب اعتبار مشتریانی که صلاحیت لازم را ندارند باز گذاشته است. در مرحله دوم این تحقیق برای جمع آوری و تکمیل اطلاعات، دو پرسش نامه جداگانه در اختیار کارشناسان و مدیران قرار گرفت. در پرسشنامه اول با توجه به بررسی ها و مصاحبه های انجام گرفته کلیه معیارها به پنج دسته تقسیم و در جداول جداگانه قرار گرفتند. طی این پرسش نامه ها میزان ضرورت و اهمیت هر معیار بر اساس مقیاس پنج گزینه ای لیکرت (Likert) از کارشناسان سئوال شد. همچنین از کارشناسان و مدیران خواسته شد که معیارهایی که ذکر نشده اند را به انتهای جداول اضافه کنند. در پرسش نامه دوم معیارهای اضافه شده به همراه معیارهای قبل در اختیار تمام کارشناسان و مدیران قرار گرفت تا نظر جمعی در مورد لزوم و میزان اهمیت آنها حاصل شود. در نهایت پس از تعیین معیارهای مؤثر در فرآیند ارزیابی و میزان اهمیت آنها، معیارهای فرعی و پارامترهایی که جهت تشخیص و چگونگی ارزیابی و معیار مورد نیاز است، شناسایی گردید. خلاصه این معیارها به صورتی طبقه بندی شده اند شکل ۲ نشان داده شده است. روایی این پرسشنامه با بهره گیری از نظر متخصصان مربوطه و پایایی آن مورد تایید قرار گرفت .
۳- ۲- جامعه و نمونه آماری
در این تحقیق به منظور آموزش و ارزیابی شبکه عصبی از ۴۰۰ نمونه در شعب مختلف بانک ملی ایران استفاده شده است. این چهارصد نمونه شامل ده نمونه چهل تایی از شهرهای تهران، اصفهان، مشهد، شیراز پف اهواز، تبریز، یزد، کرمان، سمنان و زاهدان میباشد. برای جمع آوری اطلاعات، پرسش نامه ای با سه بخش تهیه و مورد استفاده قرار گرفت. بخش اول شامل اطلاعات دمو گرافیک کارکنان مثل محل خدمت، سابقه خدمت، میزان تحصیلات، سوابق شغلی، تأهل، تعداد فرزند، جنسیت و میزان حقوق و مزایا و دریافتی می باشد. بخش دوم پرسشنامه شامل میزان تأثیر هر یک از عوامل اصلی مثل معیارهای مدیریت، معیارهای مالی و اقتصادی، مشخصات کیفی مشتری، سوابق شغلی و تحصیلی و عوامل امکان پذیری بر خوشه بندی اعتباری مشتریان می باشد. میزان اهمیت هر یک از این عوامل با گزینه های فوق العاده مهم، بسیار مهم، مهم، کمی مهم و بی اهمیت سنجیده شده است. بخش سوم شامل میزان تأثیر هر یک از عوامل فرعی به عوامل اصلی می باشد. این موارد نیز به کمک همان گزینه های بخش دوم در پنج جدول جداگانه نسبت به عوامل اصلی پنج گانه سنجیده شده است.
۳- ۳- تبدیل داده ها به ورودی های مناسبب شبکه عصبی
شبکه های عصبی نوعا با داده هایی در فاصله ( ۰) تا (۱) و یا (۱) تا (۱-) کار می کنند. هر کدام از فیلدها در پایگاه داده باید داخل یک یا چند ورودی شبکه و به مقدار مناسب وارد شود. هدف از تبدیل اطلاعات به فرم ورودیهای مناسب برای شبکه، یافتن راهی برای طراحی پایگاه داده به شکل مناسب برای ورود به شبکه عصبی می باشد. این داده ها می توانند به صورت اعداد فازی / قطعی و یا احتمالی باشند. در این مقاله برای تبدیل داده ها به ورودی های مناسب برای شبکه عصبی از مقیاس پنج گزینه (Ilkert) برای هر کدام از عوامل مطابق جدول ۱ و شکل ۳ استفاده شده است [ ۲۰].
4-۳ - استفاده از AHP در تعیین اوزان اولیه شبکه عصبی
دنیای اطراف ما مملو از وسایل چند معیاره است و انسان ها عمدتاً در چنین زمینه هایی تصمیم گیری می کنند. یکی از کامل ترین این تکنیکها فرآیند تحلیل سلسله مراتبی (AHP) می باشد که برای اولین بار توسط توماس ال ساعتی ۲۱] در سال ۱۹۸۰ مطرح شد. فرآیند تحلیل سلسله مراتبی یک نمایش گرافیکی از مسئله پیچیده واقعی می باشد که در رأس آن هدف کلی مسئله و در سطوح بعدی معیارها، زیر معیارها و گزینه ها قرار دارند. در این فرآیند اهداف کمی و کیفی به صورت مقایسات زوجی برای مقایسه گزینه ها نسبت به یکدیگر سنجیده می شوند.
برای محاسبه اوزان اولیه در شبکه عصبی با استفاده از اوزان حاصل از پرسشنامه های طبق لیکرت، جدول مقایسات زوجی تشکیل شده است. جدول مقایسات زوجی به کمک تقسیم اوزان حاصل شده برای هر یک از عوامل در پرسشنامه ن) و مقایسه تک تک عناصر هر سطح نسبت به سطوح، تشکیل شده است. سپس به کمک قوانین AHP و استفاده از نرم افزار EXpert Choice وزن نهایی هر یک جدول ۲: اوزان شبکه عصبی در سطوح یک و دو از معیارها، زیر معیارها و گزینه ها نسبت به یکدیگر محاسبه شده است. این اوزان در جدول ۲ نشان داده شده است.
