اعتبارسنجی هوشمند و پیش بینی رفتار آینده مشتری بانک: رویکرد مبتنی بر داده با مدل RFM و خوشه بندی

با افزایش حجم داده ها در دنیای امروز، بهره گیری از علم داده برای یافتن راه حل های بهینه امری ضروری است. یکی از چالش های اساسی در صنعت بانکداری، اطمینان از بازگشت تسهیلات اعطایی و تخصیص بهینه منابع مالی است. بنابراین، سنجش سطح اعتباری مشتری و پیش بینی آن در آینده می تواند شاخصی سودآور و قابل اعتماد برای بانک ها باشد. در مطالعه پیش رو، با استفاده از تراکنش های مالی مشتریان موسسه اعتباری ملل، سطح اعتباری حال حاضر ایشان به وسیله تجزیه و تحلیل مدل  RFM و استفاده از تکنیک های خوشه بندی  انجام می پذیرد. در نوآوری انجام شده، سطح اعتباری آینده مشتری نیز با استفاده از الگوریتم یادگیری ماشین جنگل تصادفی و بر مبنای خروجی خوشه بندی مبتنی بر مدل پیش بینی می گردد. این رویکرد در مقایسه با روش های سنتی مبتنی بر امتیازدهی ایستا، دقت پیش بینی را افزایش داده و به بانک امکان می دهد تصمیم گیری های اعتباری را با اطمینان بیشتری انجام دهد. در این مطالعه با استفاده از شاخص ارزیابی معیار اطلاع بیزی پنج خوشه بهینه با استفاده از مدل RFM شناسایی شد. همچنین یک مدل جنگل تصادفی  با شاخص های دقت  میانگین ۷۲ درصد، بازیابی  ۷۵ درصد و امتیاز میانگین متوازن دقت و بازخوانی  ۹۱ درصد، جهت پیش بینی سطح اعتباری آینده مشتری طراحی گردید. این پژوهش با تکیه بر فناوری های نوین مالی، چارچوبی داده محور برای اعتبارسنجی هوشمند در نظام بانکداری اسلامی ارائه می دهد و به کاهش ریسک اعتباری در فرایند تخصیص تسهیلات کمک می کند.

کلیدواژه ها:

اعتبار سنجی ، یادگیری ماشین ، خوشه بندی ، RFM ، فناوری های نوین مالی