تشخیص و پیش بینی هوشمند صلاحیت وام مسکن با استفاده از روش های داده کاوی: مطالعه موردی صندوق بازنشستگی صنعت نفت

در سال های اخیر، ارزیابی و پیش بینی صلاحیت دریافت وام مسکن به یکی از چالش های کلیدی در سازمان های مالی و اعتباری تبدیل شده است. صندوق بازنشستگی نفت، به عنوان یکی از نهادهای اصلی ارائه دهنده وام مسکن به کارکنان شرکت ملی صنعت نفت، نیازمند سازوکاری دقیق و هوشمند برای تشخیص افراد واجد شرایط است تا ریسک های اعتباری را کاهش داده و تخصیص منابع را بهینه سازد. این پژوهش با هدف بهبود فرآیند تصمیم گیری وام دهی، از روش های داده کاوی برای تحلیل ویژگی های متقاضیان و پیش بینی تعلق وام استفاده کرده است. در این تحقیق، داده های مربوط به متقاضیان وام از صندوق بازنشستگی نفت جمع آوری و پس از پیش پردازش، با بهره گیری از الگوریتم های داده کاوی متنوعی نظیر درخت تصمیم، بیز ساده، K نزدیکترین همسایه، و روش های ترکیبی (Ensemble) مانند جنگل تصادفی، بگینگ و بوستینگ در نرم افزار RapidMiner مدل سازی شدند. معیارهای کلیدی همچون سابقه مالی، میزان حقوق، رتبه شغلی و وضعیت بازپرداخت وام های قبلی در مدل ها لحاظ گردیدند. نتایج نشان داد که مدل های مبتنی بر درخت، به ویژه درخت تصمیم (Decision Tree) با دقت ۹۰.۰۶% و جنگل تصادفی (Random Forest) با دقت ۸۹.۵۰%، بالاترین عملکرد را در پیش بینی صلاحیت وام گیرندگان دارند. این یافته ها تایید می کنند که روش های داده کاوی می توانند به طور قابل توجهی دقت تصمیم گیری های مالی را افزایش داده، ریسک های اعتباری را کاهش دهند و به بهبود تخصیص منابع مالی کمک کنند. اجرای این مدل ها در فرآیند وام دهی می تواند باعث افزایش شفافیت، کاهش زمان پردازش درخواست ها و بهبود رضایت متقاضیان شود. در نهایت، پیشنهاداتی برای ارتقاء مدل، از جمله به روزرسانی دوره ای داده ها، استفاده از تکنیک های یادگیری عمیق و بهینه سازی معیارهای انتخاب متقاضیان ارائه شده است.

کلیدواژه ها:

وام مسکن ، شرکت ملی صنعت نفت ، روش های داده کاوی ، RapidMiner ، کارکنان شرکت نفت ، پیش بینی ریسک اعتباری ، اعتبارسنجی