شناسایی و طبقه بندی مشتریان بانکی با به کارگیری یک مدل ترکیبی الگوریتم ژنتیک و ماشین بردار پشتیبان

در کانون تحول دیجیتال صنعت بانکداری ضرورت استقرار سیستم های اعتبار سنجی دقیق و خودکار بیش از پیش آشکار شده است. این پژوهش یک چارچوب نوآورانه و قدرتمند را معرفی می کند که در آن از ظرفیت الگوریتم های تکاملی برای تقویت یکی از قوی ترین مدل های یادگیری ماشین بهره گرفته شده است. در این مطالعه الگوریتم فراابتکاری ژنتیک (GA) با ماشین بردار پشتیبان (SVM) تلفیق شده است تا نه تنها پارامترهای حیاتی مدل بهینه سازی شوند بلکه موثرترین ویژگی های مالی مشتریان نیز به صورت هوشمندانه استخراج گردند. هدف نهایی فراتر رفتن از روش های مرسوم و ایجاد سیستمی است که قادر به پیش بینی ریسک اعتباری با دقتی بی سابقه باشد. ارزیابی های انجام شده بر روی یک مجموعه داده واقعی و غنی از مشتریان یک بانک ایرانی گواه موفقیت این رویکرد است. مدل ترکیبی پیشنهادی (GA-SVM) توانست دقت کلی (Accuracy) را در مقایسه با مدل پایه ۴۱٪ بهبود بخشد و آن را از ۱۸.۳۳ به ۲۵.۸۳ ارتقا دهد، همچنین امتیاز F۱ که معیار اتکا پذیرتری در داده های نامتوازن محسوب می شود جهشی قابل توجه از ۸.۴۲ به ۱۷.۹۶٪ را تجربه کرد. یکی از یافته های کلیدی این تحقیق شناسایی بی چون و چرای سابقه چک های برگشتی به عنوان تعیین کننده ترین شاخص اعتباری بود. این مقاله نه تنها یک مدل فنی کارآمد ارائه می دهد بلکه افقی به سوی آینده ای می گشاید که در آن تصمیم گیری های مالی، عمیقا هوشمند، داده محور و قابل اطمینان خواهند بود.

کلیدواژه ها:

یادگیری ماشین ، اعتبار سنجی بانکی ، ماشین بردار پشتیبان (SVM) ، الگوریتم ژنتیک (GA) ، بهینه سازی پارامتر ، طبقه بندی مشتریان