مشخصات این فایل
عنوان: بررسی و ارزیابی ریسک مشتریان
فرمت فایل:word( قابل ویرایش)
تعداد صفحات: 86
این مقاله درمورد بررسی و ارزیابی ریسک مشتریان است.
خلاصه آنچه در مقاله بررسی و ارزیابی ریسک مشتریان می خوانید :
ویژگی های ورودی
برای تحلیل تمایز خطی (LDA) ، رگرسیون لجستیک (LR) و شبکه های عصبی لازم است که متغیرهای ورودی مقادیر عددی داشته باشند. متغیرهای غیرعددی باید به متغیرهای عددی تبدیل شوند. کاربردهای LDA ملزومات بیشتری را نیاز دارند (Leker , 1993). یکی از نیازهای اساسی LDA که البته یکی از انتقادهای اصلی آن هم بشمار می رود، این فرض است که متغیرها دارای توزیع نرمال چند متغیره باشند و همچنین ماتریس های کواریانس برای گروه ها یکسان باشد. بعضی از روش های آماری توسط سازندگان مدل برای آزمون این فرض های آماری مورد استفاده قرار می گیرند.(Feidicker,1992)
بعضی دیگر از سازندگان مدل سعی دارند که متغیرهای ورودی را طوری تبدیل کنند که چگالی حاشیه ای آنها تقریباً نرمال باشد و این کار معمولاً با بکار بردن تبدیل یکنواخت از نوع توان کم انجام می شود. در بسیاری موارد اطلاعات راجع به مشتریان در فرض نرمال بودن صدق نمی کند. مثلاً، بسیاری از متغیرهای غیرعددی در اطلاعات پرداختی یا وصولی مشتریان مطمئناً بطور نرمال توزیع نشده است. اگر فرض های منظور برایLDA برقرار نباشد، قانون تمایز خطی ممکن است بهینه نباشد و جوابی آنچنان مقبول ندهد. اما، اگر به عنوان حاصل ترکیب خطی متغیرهایی در نظر گرفته شود که یک معیار خاص جداپذیری را بیشینه کند، آنگاه واضح است که کاربردهای فراوانی خواهد داشت. بعضی تحقیقات تجربی نشان داده اند که تخطی از فرض نرمال بودن در LDA از کاربردهای موفق آن خیلی نمی کاهد (Hand , 1997).
تابع دسته بندی تولید شده به وسیله LDA و LR توابعی خطی از متغیرهای ورودی هستند. به اعتقاد بیشتر محققین، وابستگی خطی بودن متغیرهای ورودی تأثیر منفی روی نتایج این الگوریتم ها دارد.
(Feidicker , 1992; Hiehaus ,1987). وابستگی خطی در بین متغیرهای ورودی به معنی اینست که یک متغیر ترکیب خطی از بقیه متغیرها باشد. البته امکان دارد که متغیرهای ورودی از این حیث از پیش، مورد بررسی قرار گیرند و اطمینان حاصل شود که وابستگی قوی بین متغیرهای ورودی باقی مانده از مجموعه داده وجود ندارد.
از دیگر معایب LDA و LR می توان به این اشاره کرد که نمی توانند اثرات متقابل را در نظر بگیرند. اثر متقابل زمانی اتفاق می افتد که وابستگی بین یک متغیر و متغیر وابسته به مقدار دیگر متغیرها بستگی داشته باشد. برای حل این مشکل، متغیر با اثر متقابل که حاصلضرب دو یا چند متغیر است، در مدل نظر گرفته شود (Rosenberg , 1994).
یکی از الزامات شبکه های عصبی نرمال سازی متغیرهای ورودی است. متغیرهای ورودی ممکن است دارای مقیاس های متفاوت از مقادیر متفاوت باشند و از این رو تأثیر آنها روی خروجی بطور نامساوی لحاظ شود و از این رو به یک مدل منحرف منجر شود. بدین خاطر، مقادیر هر متغیر ورودی باید به یک مقیاس مشترک تبدیل شوند ( مثلاً بین 0 و1) (Krause,1993).
نظر متخصصین بر این است که عملکرد شبکه های عصبی (NN) ، درخت های تصمیم (DT) و روش های یادگیری مورد ـ مبنا (IBL) در مقایسه با روش های سنتی با نسبت مشتریان خوب و بد در مجموعه داده ارتباط دارد (Desai ,1997; Michie,1994). معمولاً احتمالات پیشین یکسان از موارد «خوب» و «بد» از نمونه های آموزشی می تواند عملکرد مدل را بهبود دهد. در مقابل، الگوریتم های آماری می تواند با این مطلب گلاویز شده و پس از آن نسبت های متفاوت کلاس ها در نمونه های آموزشی بخوبی برآیند.
(Michie,1994).
از مقایسه الزامات ورودی های پنج الگوریتم مطرح شده فوق می توان دید که نیازهای محدود کننده در روش های سنتی کاربردهای آنان را محدود می کنند (جدول 3-1) و در نتیجه کارهای پیش پردازش بیشتری هم برای آنها مورد نیاز است. در مقابل، روش های جدید (NN,DT,IBL) می توانند با فروض و یا نیازمندی های کم در داده های ورودی، دانش موجود در آنها را یاد بگیرند.
خروجی های مدل
خروجی روش های LDA و LR به شکل امتیاز می باشند. خروجی شبکه های عصبی می تواند هم امتیازات پیوسته و هم درجه عضویت در کلاس ها باشند که بر اساس هر کدام از این خروجی ها به آنها شبکه های دسته بندی و شبکه های امتیازدهی هم می گویند (Fritz , 1998).
خروجی های درخت تصمیم معمولاً درجه عضویت در کلاس ها است. روش درخت تصمیم با خروجی کلاس، مشتریان را در گروه هایی دسته بندی می کند که هر گروه دارای ویژگی های یکسان خوش حسابی یا بدحسابی است و از ویژگی های خوش حسابی و بدحسابی دیگر گروه ها متمایز است.
(Thomas,2000)
درخت های تصمیم می توانند پیش بینی عددی هم انجام دهند. برای مثال، الگوریتم C4.5 پیش بینی های پیوسته ای با توابع رگرسیون خطی در برگ ها بدست می آورد (Frank ,1998).
خروجی روش یادگیری مورد ـ مبنا می تواند امتیازات و کلاس ها باشند. روش k نزدیکترین همسایه، درجه عضویت کلاس ها را تولید می کند. در حالیکه رگرسیون محلی وزنی که برای پیش بینی عددی بکار می رود، دارای خروجی به شکل امتیازهای پیوسته است.
برای روشی که دارای خروجی به شکل امتیاز است، و تنها دو کلاس وجود داشته باشند برای انتخاب سطح مطلوب و متوازن بین مشتری خوش حساب و بدحساب باید یک مقدار آستانه تعیین گردد. این موضوع انعطاف پذیری در تصمیم گیری را بالا می برد. بر اساس نظر و سطح ریسک صاحب سرویس، لازم است که تصمیم گیرنده تنها مقدار آستانه را تغییر دهد. در مقابل روشی که خروجی آن درجه عضویت در کلاس است، با وجود اینکه برای فهم و بکارگیری ساده هستند ولی فاقد این انعطاف پذیری است. هنگامی که نظر صاحب سرویس و یا تصمیم گیرنده در مورد سطح ریسک و یا دیگر پارامترها عوض شود، این مدل ها باید از نو ساخته شوند.
جدول 3-1: مقایسه روش های دسته بندی
عملکرد در کاربردهای قبلی
این واقعیت را که تکنیک های جدید نظیر شبکه های عصبی می توانند روابط غیر خطی را کشف کنند؛ چیزی که تکنیک های سنتی قادر به آن نیستند، باید یک عملکرد برتر و یا مزیت محسوب کرد. اما، تعدادی مقایسات عمومی وجود دارند که این تکنیک ها را در زمینه رفتار مشتریان از حیث خوش حسابی و بدحسابی، اعتبار خوب و اعتبار بد مقایسه کرده اند ولی همه آنها برتری فوق را برای تکنیک های جدید قائل نشده اند. کارهای انجام شده نتایج مختلف و بعضاً متناقض را نشان می دهند.
بعضی از محققین ادعا کرده اند که تکنیک های قدیمی از تکنیک های جدید بهترند (Yobas , 2000). بعضی از نویسندگان دریافه اند که اختلاف اندکی بین دقت دسته بندی هر روش وجود دارد (Thomas ,2000;Hand,1997).
برای مثال یک تحقیق نشان می دهد که شبکه های عصبی در دسته بندی مشتریان با عملکرد بدمالی بهتر از LDA عمل می کنند (Desai,1997,1996). از سویی دیگر، تحقیقی دریافته است که موارد «بد» به وسیله تحلیل تمایزی بهتر تشخیص داده می شوند در حالیکه، موارد «خوب» با شبکه های عصبی بهتر دسته بندی می شوند R.Malhotra and D.K. Malhotra ,2002)).
زمانی که الگوریتم جدیدی ارائه می شود، سازنده آن برتری آن را با تجربه و آزمایش بر روی تعدادی داده های واقعی اثبات می کند. اما، اینکه این برتری در جاهای دیگر و با داده های متفاوت از قبلی حفظ شود، مسأله ای قطعی نیست. بررسی های مقایسه ای نشان داده است که هیچ روشی نمی تواند هموار بهتر از بقیه باشد، بلکه برای یک سری داده های خاص یک یا چند الگوریتم بهینه و برتر ممکن است وجود داشته باشد.
عملکرد الگوریتم دسته بندی به این بستگی دارد که سازنده مدل چگونه با مجموعه داده ها رفتار می کند و چگونه آنها را بکار می گیرد. مثلاً چگونه متغیرهای درونی را انتخاب می کند، یا مقادیر گم شده چگونه برخورد می کند و اینکه چگونه سازنده مدل پارامترهای مدل را انتخاب می کند و غیره. برای انتخاب یک روش بهینه برای یک مجموعه داده خاص، این عوامل بخوبی باید در نظر گرفته شوند.
خلاصه و نتیجه گیری
در فصل سوم تکنیک ها و الگوریتم های مختلف دسته بندی مورد بررسی قرار گرفته اند. در این فصل ضمن اشاره به هر کدام از تکنیک ها، کاربردهای آنها برای مسأله دسته بندی و تشخیص بدحسابی مورد اشاره قرار گرفت. دو تکنیک شبکه عصبی و درخت تصمیم که جزو ابزارهایی مورد استفاده در این تحقیق هستند، به تفصیل بیشتری آورده شده اند.
تکنیک ها و الگوریتم های معرفی شده از چند جنبه مهم با هم مقایسه شدند. همچنین به مزایا و معایب هر کدام اشاره گردید و مشخص شد که این تکنیک ها، علیرغم داشتن برتری های نسبی، هیچکدام همواره بر دیگری برتری ندارد و این نوع مسأله است که نقش اساسی را در تعیین بهترین تکنیک یا الگوریتم دارد.
بخشی از فهرست مطالب مقاله بررسی و ارزیابی ریسک مشتریان
مقدمه
ریسک اعتباری
رتبه بندی اعتباری
تعریف رتبه بندی
چرا رتبه ها اهمیت دارند؟
رتبه ها و خطر نکول
مدلهای رتبه بندی
اصول مدیریت ریسک اعتباری
حصول اطمینان از کنترل بر ریسک اعتباری
کاربرد شبکه های عصبی در برآورد ریسک اعتباری
ریسک اعتباری
ظرفیت اعتباری
-1-6- برآورد ریسک و ظرفیت اعتباری با استفاده از
شبکه های عصبی و مدل رگرسیون
الگوریتم یادگیری در شبکه های عصبی
اندازه شبکه عصبی
شده است.
نسبت های مالی
نسبت های بدهی یا اهرمی:
تحلیل تمایزی خطی بیزی
قاعده اساسی دسته بندی بیز:
تحلیل تمایز خطی
رگرسیون لجستیک
فراگیری مورد ـ مبنا
درخت های تصمیم
پیچیدگی محاسباتی درخت تصمیم
شبکه های عصبی
پرسپترون چند لایه
ویژگی های ورودی
عملکرد در کاربردهای قبلی
خلاصه و نتیجه گیری
دانلود مقاله بررسی و ارزیابی ریسک مشتریان
