بخشی از مقاله
چکیده
بانکها به عنوان بخش اصلی نظام مالی همواره با مدیریت ارتباط با مشتری و ریسکهای متفاوتی روبرو هستند که یکی از عمده ترین آنها ریسک اعتباری است. در این تحقیق، یک مدل مناسب برای طبقه بندی مشتریان تسهیلات بانکی ارائه شده است.
دادههای مورد نیاز از پایگاه داده مشتریان بانک قرضالحسنه رسالت استخراج شده است. با استفاده از قواعد و درخت تصمیم نهایی که مبتنی بر معیارهای بهینگی و دقت بوده، طبقه بندی انجام شده و متقاضیان تسهیلات بانکی در یکی از پنج گروه طلایی، نقرهای، برنزی، خاکستری و سیاه قرار میگیرند. هدف اصلی این پایاننامه بالا بردن دقت طبقه بندی متقاضیان است. نتایج بدست آمده نشان میدهد که رفتار اعتباری مشتریان با استفاده از الگوریتم طبقهبندی و درخت تصمیمگیری قابل پیش بینی است. همچنین ریسک بانکی با دقت طبقه بندی نسبت عکس دارد.
مقدمه
رفتار و برخورد با مشتری موضوع مهم و کلیدی در بانک است . در عصر حاضر مشتریان از اهمیت بالای خود آگاه هستند و با توجه به اینکه برای نیازهایشان حق انتخاب دارند پس بهدنبال بهترین راه برای رفع آن هستند. در این میان بانکی برنده بازی است که با هوشیاری زمینه جذب و جلب نظر مشتری را فراهم آورد. حق را به مشتری بدهد و او را گرامی بدارد. بانکداری از ارکان اصلی هر اقتصادی به حساب میآید. صنعتی که در آن مشتریان از نقش حیاتی و کلیدی برخوردارند. بهویژه در20 سال اخیر با ظهور بانکهای خصوصی، توجه به نیازها و خواسته های مشتریان به دغدغه اصلی مدیران بانکها تبدیل شده است.
نقش و اهمیت مشتری درشرکتها و بانکها به سبب تاثیر مستقیمی که بر رشد و بقای بانک در بازار رقابت میگذارد و نیز کسب منافعی که برای آنها دارد، سبب شده تا امروزه لزوم کسب رضایت مشتری درک و پذیرفته شود و کلیه واحدهای بانکی گرایش به مشتری داشته و سمت و سوی فعالیت همه آنها جذب مشتری و جلب رضایت او باشد. مهارتهای ارتباطی و روابط انسانی مطلوب مدیران و کارکنان باعث ایجاد احساسات خوشایند و موثر و مثبت در مشتریان شده و کمک موثری است تا نقش خود را در انجام بهتر وظایف و جذب بیشتر مشتریان به نحو مطلوب ایفا نمایند.
تسهیلات اعطایی، از زمره مهمترین و با ارزشترین داراییهای بانک محسوب میشوند و بخش عمدهای از درآمد بانکها میتواند از طریق اعطای تسهیلات به وقوع بپیوندد اما گردش پول و سرمایه در جامعه، نهاد مالی را در معرض انواع ریسکها قرار میدهد، تنوع این ریسکها و گاهی شدت آنها به حدی است که اگر نهاد مالی نتواند آنها را به نحو صحیح کنترل و مدیریت کند رو به نابودی و حتی ورشکستگی خواهد رفت.حجم قابل ملاحظهای از تسهیلات اعطایی سوخت شده یا معوقه بانک ها، گویای فقدان مدلهای مناسب اندازهگیری ریسک اعتباری و سیستمهای مدیریت ریسک در شبکه بانکی است
بنابراین با توجه به افزایش تقاضای تسهیلات و ریسک موجود در این گونه فعالیتها، اعتبارسنجی متقاضیان تسهیلات و ارائه الگوی مناسب برای نحوه پرداخت تسهیلات یکی از اساسیترین اصول مدیریت ریسکاعتباری در بانکها و موسسات مالی بشمار میرود، بطوریکه استفاده از ابزارهای مدیریت ریسک اعتباری بالاخص اعتبارسنجی ، به بانکها این امکان را میدهد تا با اطمینان خاطر بیشتری در خصوص اعطای تسهیلات تصمیمگیری کنند. از مزایای امتیازدهی اعتباری برای مشتریان میتوان به فرایند اعتباری بسیار سادهتر و پاسخ در یک چارچوب زمانی کوتاهتر و کاهش میزان اطلاعات مورد نیاز و دسترسی سریعتر و آسانتر به اعتبار موقعی که مشتریان به آن نیاز دارند، اشاره کرد و از مزایای امتیازدهی اعتباری برای بانکها میتوان به کاهش هزینههای ارزیابی وامها و ارائه اعطای وام استاندارد در بانک و افزایش کارایی اعطای وام اشاره کرد.
طبقه بندی یکی از عملیات رایج و مورد استفاده در دادهکاوی است. طبقه بندی عملیاتی است که سازمانها را قادر میسازد در حل مسائل خاص در مجموعههای بزرگ و پیچیده به کشف الگوها دست یابند. هدف اصلی در این تحقیق، افزایش دقت طبقهبندی متقاضیان تسهیلات بانکی است. اندازهگیری و درجه بندی ریسکاعتباری برای نخستینبار در سال 1909 میلادی توسط جان موری بر روی اوراق قرضه انجام شد
نظام امتیازدهی اعتباری نخستینبار در دهه 1950 تدوین شد، اما استفاده فراگیر از آن حدود دو دهه به درازا انجامید. پس از وی دورند با تکیه بر نتایج فیشر اولین فردی بود که از تحلیل ممیزی برای ایجاد سیستم امتیازدهی استفاده کرد. وی نشان داد که این روش در پیشبینی بازپرداختهای اعتباری، از دقت مطلوبی برخوردار میباشد.
همچنین شین و همکاران - - 2006 در تحقیق خود به مقایسه عملکرد امتیازدهی اعتباری در تکنیک طبقهبندی دادهکاوی یعنی CART, MARS پرداختهاند برای سنجش کارایی این دو روش از مجموعه دادههای کارت اعتباری یک بانک استفاده شده است.
نتایج تحقیق نشان میدهد که عملکرد دو روش مذکور نسبت به رویکردهای تحلیل ممیز سنتی، رگرسیون لجستیک، شبکه عصبی و ماشینبردار پشتیان جهت امتیازدهی اعتباری بهتر میباشد. مقایساتی نیز بین تکنیکهای ماشینبردار پشتیبان و طبقهبندیهای شبکه عصبی، برنامهریزی ژنتیکی صورت گرفته که نتایج نسبتاً یکسانی حاصل شده است. ولی نتایج تجربی نشان میدهد که دادهکاوی نسبت به روشهای دیگر نتایج امید بخشتری را ارائه میدهد
به منظور ارزیابی ریسکاعتباری متقاضیان تسهیلاتاعتباری، از روش LS-SVM استفاده و نتایج آن را با روشهای شبکهعصبی، تحلیلممیزی و SVM مقایسه نمودند. بر اساس یافتههای آنها، روش LSSVM نسبت بهدیگر روشها نتایج بهتری را نشان میدهد
با استفاده از روش TOPSIS اقدام به رتبهبندی بانکهای پسانداز در اسپانیا نمودهاند. برخی از شاخصهای مورد استفاده در این پژوهش عبارتند از: وام، کارکنان، سپردهها، نرخ بازده داراییها، نرخ بازده حقوق صاحبان سهام و داراییهای کل.
پاپاگلیز و کالز با استفاده از تکنیک تجزیه و تحلیل مولفههای اصلی به رتبهبندی و ارزیابی عملکرد انسانی در بانک ایتالیا پرداختند.
در این تحقیق سعی بر آن است که متقاضیان تسهیلات بانکی با کمک درخت تصمیمگیری طبقهبندی شوند. جهت کاهش ریسک بانکی، متقاضیان در پنج کلاس طلایی، نقرهای، برنزی، خاکستر ی و سیاه از نظر اعتبارسنجی طبقهبندی میشوند تا مشخص شود که کدام مشتریان و با چه مشخصاتی شرایط دریافت تسهیلات را دارند و از طرفی چه کسانی شایستگی دریافت اعتبار را ندارند. برای این کار از درخت تصمیمگیری استفاده میشود.
بدنه اصلی مقاله
بخش عمدهای از مراودات بانکها در جهان با ارائه تسهیلات مالی به مشتریان میباشد و در ایران این موضوع بسیار برجستهتر از سایر نقاط میباشد زیرا ساختار کلی بانکها نوعی وابستگی به دولت را ایجاد مینماید و الزام آنها به ارائه تسهیلات مختلف به افراد بدون شناخت کافی از تواناییهای مالی و عملکرد، گذشته آنها مشکلات عدیدهای را در جهت بازپرداخت تسهیلات را موجب گردیده است که بر اساس نظر موسسه بین المللی KPMG میزان مطالبات معوق بانکها، بیانگر ریسک عملیاتی بالای آنها میباشد.
ریسک عبارت است از هر چیزی که حال یا آینده دارایی یا توان کسب درآمد شرکت، موسسه، بانک یا سازمانی را تهدید میکند. در حال حاضر برای تعیین درجه متقاضیان روشهای مختلفی ارائه گردیده است که تکنیکهای دادهکاوی از مناسبترین روشها برای مدلسازی مشتریان جهت طبقهبندی اعتبارسنجی متقاضیان تسهیلات برای کاهش ریسکبانکی با استفاده از رویکردهای مبتنی بر قاعده میباشد.
امتیازدهی اعتباری، نظامی است که به وسیله آن بانک ها و موسسات اعتباری با استفاده از اطلاعات حال و گذشته متقاضی، احتمال عدم بازپرداخت وام توسط وی را ارزیابی نموده و به او امتیاز میدهند. به عبارت دیگر امتیازدهی به معنی کمی نمودن احتمال نکول در آینده است. امتیازدهی اعتباری یک ابزار عینی برای مدیریت ریسک است که مشتریان اعتباری را بیطرفانه و بر اساس آمار و اطلاعات رتبه بندی مینماید. در حالی که روشهای قدیمی برای ارزیابی مشتریان عمدتاً ذهنی و متکی بر دیدگاه مسئول - یا مسئولین - پرداخت وام میباشد.
دادهکاوی، عبارت از اقتباس یا استخراج دانش از مجموعهای از دادهها است . به بیان دیگر دادهکاوی فرایندی است که با استفاده از تکنیکهای هوشمند، دانش را از مجموعهای از دادهها استخراج میکند. دانش استخراج شده در قالب مدلها، الگوها یا قواعد ارائه میشود. این الگوها، مدلها و قواعد اشکال مختلفی برای ارائه دانش استخراج شده هستند.
این دانش میتواند ملاک تصمیمگیریهای آتی، عملکردهای بعدی و یا تغییرات لازم در سیستم قرار گیرند یکی از روشهای اکتشاف دانش که عموماً در دادهکاوی به کار میرود روش طبقهبندی و استفاده از الگوریتمهای درختتصمیم میباشد درختهای تصمیم میتواند قواعد قابل فهمی را تولید کند و حتی در یک درخت بزرگ یا پیچیده هم، یک مسیر را به راحتی میتوان طی کرد و این باعث میشود که تفسیر طبقه بندیها یا پیشبینیها نسبتاً آسان باشد. درخت تصمیمگیری به ما این توانایی را میدهد که پیشبینی خود را در قالب یکسری قوانین ارائه دهیم. هر برگ درخت تصمیمگیری، نماینده یک طبقه میباشد. درختتصمیم روش کارآمد ویژهای برای ایجاد طبقهبندی کنندهها از داده است.
مهمترین خصوصیت درختهای تصمیم، قابلیت آنها در شکستن فرایند پیچیده تصمیمگیری به مجموعهای از تصمیمات سادهتر است که براحتی قابل تفسیر هستند. از مزایای استفاده از درختتصمیم نسبت به سایر الگوریتمهای دادهکاوی این است که مدل آن سریعتر ساخته و آسانتر تفسیر میشود. پیشبینیها براساس درخت تصمیمگیری موثر و کارآمدترند.هدف از طبقه بندی، مشخصکردن ویژگیهایی است که بتوان توسط آن، کلاسهای مختلف را از یکدیگر متمایز کرد
طبقه بندی در دادهکاوی طی دو مرحله انجام میگیرد. ابتدا از روی دادههای قدیمی، کلاسهای مختلف تشخیص داده شده و سپس تعلق داشتن دادههای جدید به کلاسهای موجود، پیشبینی میشود. در این تحقیق دادههای مربوط به مشتریانی که از بانک قرضالحسنهرسالت تسهیلات اعتباری دریافت کردهاند یا خواهند کرد، بهعنوان اعضای جامعه آماری قابل استناد و به منظور بررسی احتمال نکول انتخاب شدند. دادههای مربوط به مشتریان در یک پایگاهداده در نرمافزار اکسل ذخیره شد. از میان ویژگیهای مشتریان در این تحقیق، فقط از شش ویژگی - تحصیلات، شغل، درآمد، مسکن، چکبرگشتی و تعداد روز تاخیر در بدهیبانکی - به-عنوان متغیرهای مستقل تحقیق و طبقهبندی مشتری استفاده شد.
جامعه آماری فوق از نظر وضعیت اعتباری به پنج کلاس قابل طبقهبندی است:
-1 مشتریانی که تسهیلات اعتباری دریافتی - شامل اصلوکارمزد تسهیلات - را در موعد مقرر تسویه خواهند نمود - تسهیلات تسویه شده یا مشتریان طلایی - .
-2 مشتریانی که تسهیلات اعتباری از بانک دریافت خواهند نمود و با وجود فرا رسیدن زمان سررسید تسهیلات دریافتی تا حداکثر 2 ماه پس از سررسید نسبت به بازپرداخت وامهای خود اقدام نکنند - مطالبات بعد از سررسید یا مشتریان نقرهای - .
-3 مشتریانی که با وجود گذشت فاصله زمانی 2 تا 6 ماه 61-180 - روز - از زمان سررسید تسهیلات آنها، نسبت به ایفای تعهدات خود عمل نکنند - مطالبات سررسید گذشته یا مشتریان برنزی - .
-4 مشتریانی که 6 تا 18 ماه پس از سررسید 181-540 - روز - ، بدهی خود را تسویه نکنند - بدهی معوق یا مشتریان خاکستری - .
-5 مشتریانی که با گذشت بیش از 18 ماه از سررسید - حداقل 541 روز - ، اقدامی جهت بازپرداخت بدهی خود ننمایند - مطالبات مشکوکالوصول یا مشتریان سیاه - .
پس از استخراج مقادیر ویژگیهای مشتریان بانک قرضالحسنه رسالت و رکوردهای آن بر اساس شرایط ویژگیها، در Excel ذخیره شد. سپس طبقهبندی با توجه به شرایط، توسط روش مبنی بر قاعده والگوریتم درختتصمیم به کلاسهای Y =1 - طلایی - ، Y =2 - نقرهای - ، Y=3 - برنزی - ، Y=4 - خاکستری - و Y=5 - سیاه - انجام شد. . طبقهبندی بر اساس قواعد بدست آمده از مشتریان انجام میشود که در شکل 1 نشان داده شده است. به عنوان مثال اگر سطح تحصیلات مشتری دیپلم، کارمند،درآمد بین هیجده میلیون تا دویست میلیون ریال باشد، در استعلامات بانک مرکزی چک برگشتی نداشته باشد و تعداد روز تاخیر در بدهی بانکی مشتری، بالای یکصدو هشتادو یک روز باشد، آنگاه مشتری در کلاس برنزی قرار میگیرد.
شکل :1 طبقهبندی بر اساس قواعد
با مشخص شدن مشاهدات درست کلاسها، نتایج دقت کلاسها مورد بررسی قرار گرفت. نتایج دقت طبقهبندی درخت تصمیم در شکل 2 نشان داده شده است.
شکل: 2 نمودار دقت کلاسها
با توجه به نمودار شکل2 اختلاف دقت کلاسها در دو روش مبتنی بر قاعده و درخت تصمیم در جدول نشان داده شده است.
جدول :1 اختلاف دقت کلاسها در روش درخت تصمیم و مبتنی بر قاعده
نتیجهگیری
بانکها در اعطای تسهیلات اعتباری به مشتریان خود، نیازمند اعتبارسنجی آنها هستند. ارائه تسهیلات یکی از فعالیتهای مهم نظام بانکی تلقی میشود. در اعطای تسهیلات، باید اعتبارسنجی و قدرت وامگیرنده در بازپرداخت اصل و سود تسهیلات اعطایی را تعیین کرد. مهمترین ابزاری که بانکها برای مدیریت و کنترل ریسک اعتباری به آن نیازمندند، طبقهبندی اعتبارسنجی متقاضیان تسهیلات جهت کاهش ریسک بانکی است.
با انتخاب ویژگیهای کلیدی مشتریان و کاهش تعداد آنها، دقت طبقهبندی اعتبارسنجی متقاضیان تسهیلات بانکی بالا برده شد. برای اولین بار در این تحقیق مشتریان بانکی به پنج کلاس طلایی، نقرهای، برنزی، خاکستری و سیاه طبقهبندی شدند و این در حالیست که قبلاً مشتریان فقط به دو کلاس خوشحساب و بدحساب طبقه بندی شده بودند. با افزایش تعداد کلاس مشتریان از دو کلاس به پنج کلاس، معیار دقت طبقه بندی متقاضیان بالا برده شد. با افزایش معیار دقت طبقه بندی، ریسک بانکی کاهش مییابد.
نتایج این تحقیق روشن ساخت در درخت تصمیم، جهت قرار گرفتن مشتریان در یکی از کلاسها، دقت کلاس طلایی %99.1، کلاس نقرهای %99.7، کلاس برنزی %99.7، کلاس خاکستری %99.1 و کلاس سیاه %99.4 است. در روش مبتنی بر قاعده دقت کلاس طلایی %94.4، کلاس نقرهای %98.4، کلاس برنزی%99، کلاس خاکستری %95.8 و کلاس سیاه %97 است. در نهایت دقت کل طبقه بندی درخت تصمیمگیری %99.5 و روش مبتنی بر قاعده %97.8 شد. همچنین دقت بدحسابها در روش درخت تصمیمگیری %99.3 و روش مبتنی بر قاعده %96.48 شد.
