پیش‌بینی امتیاز اعتباری اشخاص با استفاده از الگوریتم‌های داده‌کاوی (مورد مطالعه: مشتریان یک بانک دولتی ایران)

امتیاز اعتباری مشتریان یکی از ابزارهای مهم برای مدیریت ریسک در سیستم‌های بانکی است. طراحی سیستمی که بتواند شناسایی مشتریان بانکی را به‌درستی انجام دهد، از چالش‌های اساسی در داده‌کاوی و یادگیری ماشین بوده که مطالعات بسیاری در مورد آن انجام شده است. در این مطالعه، عوامل مرتبط با امتیاز اعتباری معرفی، و پیش‌بینی امتیاز اعتباری برای مشتریان یک بانک دولتی ایران انجام شده است. بدین‌منظور، روش‌شناسی crispdm به‌عنوان مدل مرجعی برای فرایند داده‌کاوی مورد استفاده قرار گرفته و مدل‌سازی داده‌ها با بهره‌گیری از الگوریتم‌های مختلف (نزدیک‌ترین همسایگی، درخت تصمیم، و جنگل تصادفی) انجام شده است. نتایج ارزیابی و مقایسهٔ حساسیت و دقت الگوریتم‌ها نشان داد الگوریتم نزدیک‌ترین همسایگی با دقت 90.3 درصد برای مجموعهٔ آموزش و 76.7 درصد برای داده‌های آزمون، عملکرد مناسبی برای پیش‌بینی امتیاز اعتباری دارد.

Personal Credit Score Prediction using Data Mining Algorithms (Case Study: Bank Customers)

Knowledge and information extraction from data is an ageold concept in scientific studies. In industrial decisionmaking processes, the application of this concept gives rise to datamining opportunities. Personal credit scoring is an evervital tool for banking systems in order to manage and minimize the inherent risks of the financial sector, thus, the design and improvement of credit scoring systems based on the datadriven and machine learning techniques have garnered newfound research interest on the subject in recent years. In the present study, important variables and parameters for credit score are identified and consequently, prediction of credit score for clients of a bank is performed. CRISPDM is employed as the reference model for the data mining process and data modelling is accomplished based on a variety of algorithms (Knearestneighbors, Decision tree and Random forest). Comparative results of accuracy and sensitivity of algorithms demonstrated that the knearest neighbour algorithm by the accuracy of 90.3% for the training set and 76.7% for test data performs suitably to predict credit score.