اعتبارسنجی مشتریان با استفاده از روش های داده کاوی

در سالهای اخیر اعطای تسهیلات بانکی با مشکلاتی از قبیل ریسک اعتباری مشتریان مواجه شده است که استفاده از سیستم های اعتبارسنجی مشتریان را برای بانک ها ضروری نموده است. با بهره گیری از تحلیل اطلاعات مربوط به مشتریان بانک ها با استفاده از فرآیند داده کاوی می توان به اعتبارسنجی متقاضیان تسهیلات وطبقه بندی آنها به مشتریان خوب وبد بدون قضاوت شخصی وبراساس سیستم های هوشمند پرداخت. اعتبارسنجی مشتریان از جمله موضوعات مهمی می باشد که در دنیای امروز مورد بحث و توجه بانک ها قرار گرفته است. درسیستم های بانکداری سنتی، مدیران اعتباری اغلب میزان اعتبار مشتریان را با توجه به تجربه خود می سنجند ولی در نظام بانکداری نوین، با محدودیت زمانی و تعدد فزاینده مشتریان دست به گریبان هستیم. برای حل این مشکل، علم ریاضیات با استفاده از مدل های مختلف همچون رگرسیون، احتمال قصور یا عدم قصور در پرداخت ها را محاسبه کرده و با توجه به آن مشتریان را رتبه بندی می کند. استقرار نظام اعتبارسنجی با توجه به حجم انبوه مطالبات معوق بانک ها، یکی از مهمترین ابزارهای کنترل ریسک اعتباری در بانک ها و موسسات مالی است. شبکه های عصبی به دلیل دقت به مراتب بالاتر و حجم محاسبات پایین تر نسبت به سایر روش های کلاسیک در پیش بینی رفتار اعتباری افراد متقاضی تسهیلات دارای اولویت هستند. هدف این تحقیق توسعه ی مدلی یکپارچه با دقت بالا برای اعتبارسنجی است. برای دستیابی به این مدل، از شبکه های عصبی مصنوعی پرسپترون چندلایه و الگوریتم یادگیری پس انتشار ارتجاعی برای آموزش شبکه استفاده شده است

Keywords:

اعتبارسنجی , طبقه بندی , مشتریان بانکی , شبکه های عصبی مصنوعی پرسپترون چندلایه , الگوریتم یادگیری پس انتشار ارتجاعی