احسان جلالی مقدم - دانش آموخته کارشناسی ارشد ، مدیریت ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
احمدعلی یزدان پناه - استاد دانشگاه آزاد اسلامی علوم تحقیقات تهران

یکی از اولویت های بسیار مهم نهادهای مالی، تخصیص بهینه منابع مالی است. در خصوص تسهیلات بانکی، رویکردهای کمی سازی رفتار بازپرداخت و همچنین پیش بینی رفتار بازپرداخت مشتریان هنوز به چهارچوب استاندارد و یک دستی نینجامیده است. این ملاحظات محقق را بر آن داشت که با مرور ادبیات موضوعی مرتبط، به محاسبه متغیری کمی از رفتار بازپرداخت مشتریان اقدام نماید؛ سپس با استفاده از اطلاعات جمعیت شناختی و مالی مشتریان، رفتار بازپرداخت آتی مشتریان جدید نیز پیش بینی نماید. هدف از پژوهش حاضر طراحی سیستمی پویا جهت پیش بینی رفتار بازپرداخت آتی مشتریان جدید بوده است. محقق ، از اطلاعات جمعیت شناختی و مالی مشتریان به عنوان متغیرهای مستقل و رفتار بازپرداخت مشتریان به عنوان متغیر وابسته استفاده نمود. پردازش های این داده ها با دو روش خوشه بندی، سه روش کاهش ابعاد و پنج الگوریتم محاسباتی به طور موازی انجام شد. نتایج پردازش ها نشان داد که در بین الگوریتم های محاسباتی، روش R-ensemble جهت پیش بینی رفتار بازپرداخت مشتریان، الگوریتم برتر محسوب می گردد. هر چند ساختار ماژولار سیستم مورد استفاده در پیش بینی رفتار بازپرداخت، امکان اضافه کردن الگوریتم های محاسباتی جدید و حذف الگوریتم های ضعیف را به صورت پویا می دهد، اما این به معنای آن نیست که با داده های دیگر بتوان از همین الگوریتم به عنوان الگوریتم برتر یاد کرد. البته، اگر تعداد مطالعات مشابه اضافه شود، امکان دستیابی به یک الگوریتم جامع برتر برای همه نظام بانکی وجود دارد. همچنین، طراحی پیشرو، امکان پیش بینی پویا برای هر دسته از مشتریان را مهیا نموده است. بنابراین می توان چنین استدلال کرد که که متغیر کمی استفاده شده در این پایان نامه، دارای شمولیت بسیار بالایی می باشد؛ یعنی، این متغیر، امکان کمی سازی رفتار بازپرداخت مشتریان در هر شرایط پرداخت و وصول را فراهم می کند. همچنین، با توجه به کیفیت نازل داده ای مشتریان بانک مورد مطالعه، پیش بینی رفتار آتی بازپرداخت مشتریان جدید با چهارچوب ماژولار طراحیشده بسیار مثمرثمر خواهد بود.

رفتار بازپرداخت مشتریان، رتبه بندی اعتباری، شبکه عصبی، الگوریتم های تکاملی