مقاله رتبه بندی اعتباری مشتریان حقیقی بانک ملت با استفاده از روش های داده کاوی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله رتبه بندی اعتباری مشتریان حقیقی بانک ملت با استفاده از روش های داده کاوی دارای ۳۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله رتبه بندی اعتباری مشتریان حقیقی بانک ملت با استفاده از روش های داده کاوی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله رتبه بندی اعتباری مشتریان حقیقی بانک ملت با استفاده از روش های داده کاوی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله رتبه بندی اعتباری مشتریان حقیقی بانک ملت با استفاده از روش های داده کاوی :

تعداد صفحات:۳۴
چکیده:
هدف از ارائه این مقاله اندازه گیری ریسک اعتباری مشتریان حقیقی بانک ملت با استفاده از روش های داده کاوی مانند مدل شبکه های عصبی و مدل ساختار درختی در مقابل روش های پارامتریک آماری مانند رگرسیون لجستیک وارائه راهکارهای صحیح جهت مقابله با افزایش مطالبات معوق می باشد. بدین منظور از ۴۲۵ پرونده اعتباری مشتریان حقیقی که طی سال های ۶۷۱۱ ۶۷۳۱ تسهیلات دریافت نموده اند؛ با نمونه گیری طبقهبندی تصادفی ساده و روش -انتساب متناسب برای جمعآوری نمونه آماری استفاده شد. در این مطالعه پس از بررسی پرونده های اعتباری هر یک ازنمونه ها، در ابتدا ۳ متغیر توضیحی شامل متغیرهای کمی و کیفی شناسایی شده و مورد بررسی قرار گرفت. نتایج این مطالعه نشان می دهد که در بین متغیرهای مرتبط با ویژگی های شخصیتی متقاضی، متغیرهایی نظیر جنسیت و شغل ودر بین متغیرهای مرتبط با ویژگی های تسهیلات اعطایی، متغیرهایی نظیر نرخ سود، نرخ جریمه، تعداد تسهیلات دریافتی، مدت تسهیلات و مبلغ تسهیلات بیشترین اهمیت را در جداسازی مشتریان خوب و بد از هم داشته و اثرمعناداری آن بر متغیر وابسته )احتمال عدم بازپرداخت( به وسیله آزمون های آماری تائید شده است. ملاک مقایسه سه مدل، دقت طبقه بندی مشتریان خوش حساب و بدحساب می باشد. بنابراین دقت هر روش پس از محاسبه در نرم افزار Spss برای مدل رگرسیون لجستیک برابر ۱۱۶۶ %، مدل ساختار درختی برابر ۱۳۶۵ % و برای مدل شبکه عصبی مصنوعی برابر ۳۶۶ % به دست آمد. بنابراین برازش مدل شبکه عصبی مصنوعی در این زمینه کارآمدتر می باشد.