Εφαρμογή μεθόδων εξόρυξης γνώσης σε τραπεζικά δεδομένα ελληνικών επιχειρήσεων

Abstract

Η οικονομική κρίση που ξεκίνησε στην Ευρώπη το 2008 και διαρκεί ως και σήμερα στην Ελλάδα αναδεικνύει το πόσο επιτακτική είναι η ανάγκη παρακολούθησης του ρίσκου που αναλαμβάνει ένα χρηματοπιστωτικό ίδρυμα όταν δίνει ένα δάνειο. Ένα μοντέλο που μπορεί να προβλέψει έγκαιρα και έγκυρα δάνεια που θα καταστούν μη εξυπηρετούμενα στο άμεσο μέλλον αποτελεί εργαλείο ζωτικής σημασίας για κάθε τραπεζικό οργανισμό. Στόχος μας είναι η περιγραφή και σύγκριση τέτοιων μοντέλων μέσω της εφαρμογής τους σε δεδομένα από μεγάλη ελληνική τράπεζα που αφορούν πελάτες-επιχειρήσεις. Αναλυτικότερα, κατασκευάσαμε ένα μοντέλο ταξινόμησης το οποίο προβλέπει για μια επιχείρηση αν στο τέλος του επόμενου εξαμήνου θα καταστεί μη εξυπηρετούμενο δηλαδή, θα βρίσκεται σε καθυστέρηση μεγαλύτερη των 90 ημερών ή όχι. Εφαρμόσαμε στα δεδομένα μας την μέθοδο της Λογιστικής Παλινδρόμησης (Logistic Regression), τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks) και τα Δέντρα Ταξινόμησης (Classification Trees) κάνοντας χρήση είτε όλων των μεταβλητών είτε κάνοντας χρήση μόνο όσων χαρακτηρίστηκαν σημαντικές μετά από την κατάλληλη προεπεξεργασία. Συγκεκριμένα, εφαρμόστηκε η βηματική μέθοδος επιλογής μεταβλητών και η ανάλυση ευαισθησίας για τον εντοπισμό των μεταβλητών που παίζουν σημαντικό ρόλο στο εξαγόμενο αποτέλεσμα.