كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

مقایسه مدل‌های یادگیری جمعی در پیش‌بینی نکول تسهیلات BNPL

نویسندگان :

پریوش خلیلی¹ مهرداد کارگری² عبدالله عشقی³

1- دانشگاه تربيت مدرس 2- دانشگاه تربیت مدرس 3- دانشگاه تربیت مدرس

کلمات کلیدی :

پیش‌بینی نکول،ریسک اعتباری،امتیازدهی اعتباری،BNPL،متعادل‌سازی داده،یادگیری جمعی

چکیده :

با گسترش تجارت الکترونیک و معرفی محصولات مالی "الان بخر-بعدا پرداخت کن (BNPL)"، رشد فزاینده‌ای در تعداد متقاضیان این نوع وام‌ها شکل گرفته است. زیان‌های انباشته ناشی از نکول می‌تواند منجر به ورشکستگی شرکت‌های ارائه دهنده خدمات BNPL شود. اما به دلیل جدید بودن حوزه و کم بودن مبالغ BNPL، اعتبارسنجی متقاضیان آن‌ها در مقایسه با وام‌های بانکی کمتر مورد توجه قرار گرفته است. اعتبارسنجی در گذشته توسط مدل‌های قضاوتی و آماری انجام می‌شد. اما امروزه با توجه به رشد بی‌سابقه تراکنش‌ها این مدل‌ها کارایی قبل را ندارند. از طرفی عدم تعادل در داده‌های این حوزه عملکرد مدل‌های هوشمند را تحت تأثیر قرار داده است. این مطالعه به مقایسه عملکرد مدل‌های یادگیری جمعی در پیش‌بینی نکول مشتریان BNPL می‌پردازد. همچنین با توجه به چالش عدم تعادل داده‌، 3 نوع "تکنیک بیش‌نمونه‌گیری اقلیت مصنوعی (SMOTE)" برای متعادلسازی مقایسه شد. به منظور انتخاب ویژگی، تحلیل رگرسیون لجستیک بر مبنای P-value مورد استفاده قرار گرفت. نتایج حاصل از این روش متغیرهای "تحصیلات"، "جنسیت"، "نوع وثیقه"، "تعداد حساب‌های بلند مدت"، "تعداد وام‌های اخذ شده از بانک"، "تعداد وام‌های جاری" و "مبلغ وام" را به عنوان متغیرهای تأثیرگذار شناسایی کرد. ترکیب SMOTE-NC با LightGBM امتیاز f1 کلاس نکول را به 66/84 درصد رساند که در مقایسه با عدم استفاده از متعادلسازی در حدود 23% افزایش داشت. در صورت به‌کارگیری این مدل در زمان درخواست وام، زیان شرکت 27/38 درصد کاهش می‌یافت