مقایسه مدل های یادگیری جمعی در پی شبینی نکول تسهیلات BNPL

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.

کلیدواژه ها:

امتیازدهی اعتباری ، پیش بینی نکول ، ریسک اعتباری ، BNPL ، یادگیری جمعی ، متعادل سازی داده