چکیده مقاله
با گسترش تجارت الکترونیک و معرفی محصولات مالی الان بخر بعدا پرداخت کن BNPL ، رشد فزاینده ای در تعداد متقاضیان این نوعوام ها شکل گرفته است زیان های انباشته ناشی از نکول می تواند منجر به ورشکستگی شرکت های ارائه دهنده خدمات BNPL شود اما بهدلیل جدید بودن حوزه و کم بودن مبالغ BNPL ، اعتبارسنجی متقاضیان آنها در مقایسه با وام های بانکی کمتر مورد توجه قرار گرفتهاست اعتبارسنجی در گذشته توسط مدل های قضاوتی و آماری انجام می شد اما امروزه با توجه به رشد بی سابقه تراکنش ها این مدل هاکارایی قبل را ندارند از طرفی عدم تعادل در داده های این حوزه عملکرد مدل های هوشمند را تحت تاثیر قرار داده است این مطالعه بهمقایسه عملکرد مدل های یادگیری جمعی در پیش بینی نکول مشتریان BNPL می پردازد همچنین با توجه به چالش عدم تعادل داده، ۳نوع تکنیک بیش نمونه گیری اقلیت مصنوعی SMOTE بر ای متعادل سازی مقایسه شد به منظور انتخاب ویژگی، تحلیل رگرسیونلجستیک بر مبنای P value مورد استفاده قرار گرفت نتایج حاصل از این روش متغیره ای تحصیلات ، جن سیت ، نوع وثیقه ، تعدادحساب های بلند مدت ، تعداد وام های اخذ شده از بانک ، تعداد وا م های جاری و مبلغ وام را به عنوان متغیرهای تاثیرگذار شناساییکرد ترکیب SMOTE NC با LightGBM امتیاز f۱ کلاس نکول را به ۶۶ / ۸۴ درصد رساند که در مقایسه با عدم استفاده از متعادل سازیدر حدود ۲۳ % افزایش داشت در صورت به کارگیری این مدل در زمان درخواست وام، زیان شرکت ۲۷ / ۳۸ درصد کاهش می یافت
کلیدواژهها
نویسندگان
پریوش خلیلی
دانشجوی دکتری مهندسی فناوری اطلاعات، دانشگاه تربیت مدرس
مهرداد کارگری
دانشیار، دانشکده مهندسی صنایع و سیتمها، دانشگاه تربیت مدرس
عبداله عشقی
دکتری مهندسی فناوری اطلاعات، دانشکده مهندسی صنایع و سیتم ها، دانشگاه تربیت مدرس
شیوه ارجاع
�لیلی، پریوش و کارگری، مهرداد و عشقی، عبداله،1403،مقایسه مدل های یادگیری جمعی در پی شبینی نکول تسهیلات BNPL،دهمین کنفرانس بین المللی مهندسی صنایع و سیستم ها،مشهد
ارائهشده در
مجموعه مقالات دهمین کنفرانس بین المللی مهندسی صنایع و سیستم ها28 شهریور 1403 · مشهد