بخشی از مقاله
چکیده
انباشت حیرت انگیز و روزافزون دادهها در حوزههای مختلف، استخراج اطلاعات مفید و موثر در تصمیمگیریها را بسیار دشوار نموده است. افزایش تخلفات تسهیلات بانکی در سالهای اخیر موجب گردیده تا بانکها با توجه به عدم اطمینان از بازگشت سرمایه، روند کاهشی در ارائه تسهیلات را در دستور کار قرار دهند. از طرفی معیار تخصیص تسهیلات، عواملی مانند موجودی حساب، شغل، تحصیلات، ضامن معتبر و ... است که به صورت کاملا تجربی و براساس نظر روسای شعب بانکها ارائه میشود. سیستمی که بتواند رفتار مشتریان دریافت کننده تسهیلات را پیشبینی کند بسیار راهگشا به نظر میرسد.
در پژوهش حاضر از ترکیب خوشهبندی و طبقهبندی برای ارائه سیستم پیشنهادگر تسهیلات بانکی استفاده گردید. در گام اول پس از نرمالسازی دادههای مشتریان تسهیلاتی بانک مورد نظر، خوشهبندی به روش سلسله مراتبی پایین به بالا با روش وارد و تابع معیار فاصله اقلیدسی با حداقل نقاط دور افتاده با دقت و سرعت مناسب انجام شد و بر اساس معیارهای زمان و سیلئوته ارزیابی گردید و هشت خوشه با ویژگیهای متفاوت حاصل گردید و مدل خوشهبندی دادههای تسهیلاتی بهینه بر مبنای ویژگیهای دادهها ارائه گردید.
سپس مدل طبقهبندی به روش نزدیکترین همسایه مبتنی بر معیارهای بهینگی و دقت انتخاب شد و روشی برای محاسبه شاخص K به روش نزدیکترین همسایه در نظر گرفته شد که با محاسبه و ارزیابی خطا در یک بازه مشخص از شاخص K، بهترین مقدارK با ارزش 2 تعیین گردید و در پایان اعتبار طبقهبندی 2NN با روش ماتریس درهم ریختگی، محاسبه کارایی و نمودار ROC تایید گردید. در سیستم حاضر قوانین استخراج شده مشتریان، مدیران بانکها را قادر میسازد بر اساس الگوهای کشف شده سیاست-گذاری کنند.
-1 مقدمه
امروزه سعی در ساخت "سیستم پیشنهادگر ٍ " با درصد خطای کم و سرعت بالا در تمام شرایط به یکی از پرطرفدارترین حوزههای تحقیقاتی دانشگاهی تبدیل شده است. ما در دنیایی با حجم عظیم اطلاعات و جزییات بسیار از اقلام تولیدی زندگی میکنیم. در دنیای جدید اگرچه اینترنت حجم فراوانی از دادهها را به عنوان فرصتی مناسب پیش روی کاربران قرار داده است اما در صورت نبود مدیریتی کارآمد بر روی انبوه دادههای در دسترس، این امتیاز خود مانعی برای پیشرفت خواهد بود. به طوری که امروزه با توجه به حجم روزافزون داده و اطلاعات، نیاز به سیستمهایی که توانایی هدایت کاربران به سمت کالا و سرویس مورد نظر را داشته باشند، بیش از پیش احساس میشود.
بنابراین چگونگی طراحی یک سیستم که با دادن پیشنهادات به یک کاربر او را به انتخاب بهتر و سریعتر اطلاعات مورد نظرش کمک کند، امروزه به یک زمینه تحقیقاتی پر طرفدار تبدیل شده است. سیستم پیشنهادگر به عنوان یک سیستم ابتکاری که اطلاعات مفید را پیشنهاد میدهد، میتواند در دامنههای گوناگونی بکار گرفته شود.
بهینهسازی تسهیلات بانکی برای بانکها و موسسات مالی از اهمیت فوق العادهای برخوردار است زیرا از یک رو رشد و توسعه سرمایهگذاری مهمترین دلیل فعالیت بانکها است و از طرفی دیگر عدم اطمینان از بازگشت سرمایه به بانکها و ریسک بازگشت سرمایه موسسات مالی و اعتباری را در زمینه ارائه تسهیلات با محدودیتهای فراوانی روبرو کردهاست. راههای متفاوتی برای پیادهسازی یک سیستم پیشنهادگر وجود دارد؛ اما آنچه که اهمیت دارد نتایج حاصل از این سیستم میباشد که باید با توجه به کاربرد سیستم و حوزه مورد استفاده به آن توجه کرد.
در حال حاضر برای پیادهسازی سیستمهای پیشنهادگر دو راهکار استفاده می شود: راهکار مبتنی بر حافظه و راهکار مبتنی بر مدل.[4]سیستم توصیهگر پالایش مشارکتی یکی از پر طرفدارترین الگوریتمهای سیستمهای توصیهگر می باشد که براساس نزدیکترین انتخابها به آنچه مورد نظر کاربر است پیشبینی میکند6]،.[5 در این پژوهش سعی بر شناسایی خوشهها و انواع رفتارهای تسهیلات گیرندگان بانکی، ارائه مدل پیشبینی و ارتباطیابی خوشهها گردید و در نهایت مدل رفتاری تسهیلات گیرندگان براساس خوشههای شناسایی شده طراحی گردید.
-2 مروری بر پژوهش های پیشین
دادهکاوی شامل فرآیند استخراج الگوهای جالب، کوچک اما با اهمیت، ضمنی، ناشناخته و بالقوه مفید و یا کشف دانش از مقدار بسیار عظیمی از دادهها میباشد.[7]پژوهش های صورت گرفته در حوزه بانکداری بهطور خلاصه شامل دو بخش زیر می باشند:
.1 مدیریت ریسک: دادهکاوی به طور گستردهای برای مدیریت ریسک در صنعت بانکداری استفاده میشود. مدیران ارشد اجرایی بانکها باید از آگاهی کافی در مورد قابل اعتماد بودن یا نبودن مشتریان خود و معاملاتی که با آنها انجام میدهند، برخوردار باشند. اگر بانکها هیچ اطلاعاتی در مورد مشتریان خود نداشته باشند، آنگاه فعالیتهایی مانند ارائه کارتهای اعتباری مشتریان جدید، گسترش خطوط موجود اعتباری مشتریان و اعطای وام، میتوانند نوعی تصمیمگیری مخاطرهآمیز برای بانک به حساب آیند
.2 تشخیص تقلب - اقدامات جعلی - : یکی دیگر از حوزههای محبوبی که در آن دادهکاوی میتواند در صنعت بانکداری مورد استفاده واقع شود، تشخیص تقلب است. تشخیص اقدامات جعلی و تقلب، یک نگرانی فزاینده برای بسیاری از کسب و کارها میباشد. دادهکاوی قادر به کشف اقدامات جعلی بیشتر و گزارشدهی آنها میباشد
جدول-1 پیشینههای پژوهشهای انجام شده
- طراحی سیستم توصیه گر به منظور بهینه سازی و مدیریت تسهیلات بانکی بر مبنای الگوریتم خوشه بندی و طبقه بندی تسهیلات
- طراحی سیستم هوشمند پرداخت تسهیلات بانکی
- طبقه بندی مشتریان اینترنت بانک با کمک الگوریتم های دادهکاوی
- بخش بندی کاربران بانکداری اینترنتی بر مبنای انتظارات: با رویکرد دادهکاوی بکارگیری دادهکاوی
