ارائه یک مدل ترکیبی مبتنی بر یادگیری ماشینی برای طبقه بندی مشتریان مشترک صنعت بانکداری و بیمه
الموضوعات :حمیدرضا امیرحسنخانی 1 , عباس طلوعی اشلقی 2 , رضا رادفر 3 , علیرضا پورابراهیمی 4
1 - دانشجوی دکتری گروه مدیریت فناوری اطلاعات، واحد امارات، دانشگاه آزاد اسلامي، دبی، امارات متحده عربی
2 - استاد گروه مدیریت صنعتی،واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ایران
3 - استادگروه مدیریت صنعتی، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ایران
4 - استادیار گروه مدیریت، واحد کرج، دانشگاه آزاد اسلامي، کرج، ایران
الکلمات المفتاحية: الگوریتم ژنتیک, بیمه, بانک, ماشین بردار پشتیبان, طبقه بندی,
ملخص المقالة :
رقابت¬های جهانی، صنابع پویا و چرخه¬های نوآوری و فناوری که به سرعت در حال کوتاه شدن هستند همگی چالش¬های مهمی را برای صنعت مالی، بانکداری و بیمه ایجاد کرده¬اند و نیاز به تجزیه و تحلیل داده¬ها جهت بهبود فرآیندهای تصمیم¬گیری- در این سازمان¬ها بیش از پیش اهمیت پیدا کرده است؛ در این میان، داده¬هایی که در پایگاه-های اطلاعاتی این سازمان¬ها نگهداری می¬شوند به عنوان منابع ارزشمند اطلاعات و دانش مورد نیاز جهت تصمیم-گیری¬های سازمانی مطرح می¬باشند؛ در این تحقیق بر روی مشتریان مشترک صنعت بانکداری و بیمه تمرکز شده است. هدف از این تحقیق، ارائۀ روشی جهت پیش¬بینی عملکرد مشتریان جدیدالورود بر مبنای رفتار مشتریان پیشین است؛ برای این منظور، از یک مدل ترکیبی مبتنی بر ماشین بردار پشتیبان و الگوریتم ژنتیک استفاده شده است؛ بدین ترتیب که ماشین بردار پشتیبان، وظیفه مدل‌سازی رابطه بین عملکرد مشتریان و اطلاعات هویتی آنها را بر عهده دارد و الگوریتم ژنتیک، وظیفه تنظیم و بهینه‌سازی پارامترهای ماشین بردار پشتیبان را عهده‌دار است. نتایج به دست آمده از طبقه بندی مشتریان- با استفاده از مدل پیشنهادی در این تحقیق- طبقه بندی مشتریان با دقت بالای ۹۹ درصد است.
Abdou, H., Pointon, J., & El-Masry, A. (2008). Neural nets versus conventional techniques in credit scoring in Egyptian banking. Expert Systems with Applications, 35(3), 1275-1292. doi:10.1016/j.eswa.2007.08.030
Bhattacharyya, S., Jha, S., Tharakunnel, K., & Westland, J. C. (2011). Data mining for credit card fraud: A comparative study. Decision support systems, 50(3), 602-613. doi:10.1016/j.dss.2010.08.008
Boyacioglu, M. A., Kara, Y., & Baykan, Ö. K. (2009). Predicting bank financial failures using neural networks, support vector machines and multivariate statistical methods: A comparative analysis in the sample of savings deposit insurance fund (SDIF) transferred banks in Turkey. Expert Systems with Applications, 36(2), 3355-3366. doi:10.1016/j.eswa.2008.01.003
Chen, F. L., & Li, F. C. (2010). Combination of feature selection approaches with SVM in credit scoring. Expert systems with applications, 37(7), 4902-4909. doi:10.1016/j.eswa.2009.12.025
Chu, B. H., Tsai, M. S., & Ho, C. S. (2007). Toward a hybrid data mining model for customer retention. Knowledge-Based Systems, 20(8), 703-718. do:10.1016/j.knosys.2006.10.003
Dorofeev, D., Khrestina, M., Usubaliev, T., Dobrotvorskiy, A., & Filatov, S. (2018, May). Application of machine analysis algorithms to automate implementation of tasks of combating criminal money laundering. In International Conference on Digital Transformation and Global Society (pp. 375-385). Springer, Cham.
Duman, E., & Ozcelik, M. H. (2011). Detecting credit card fraud by genetic algorithm and scatter search. Expert Systems with Applications, 38(10), 13057-13063. doi:10.1016/j.eswa.2011.04.110
Huang, C. L., Chen, M. C., & Wang, C. J. (2007). Credit scoring with a data mining approach based on support vector machines. Expert systems with applications, 33(4), 847-856. doi:10.1016/j.eswa.2006.07.007
Huang, Y. M., Hung, C. M., & Jiau, H. C. (2006). Evaluation of neural networks and data mining methods on a credit assessment task for class imbalance problem. Nonlinear Analysis: Real World Applications, 7(4), 720-747. doi:10.1016/j.nonrwa.2005.04.006
Jamshidi, M. B., Gorjiankhanzad, M., Lalbakhsh, A., & Roshani, S. (2019, May). A novel multiobjective approach for detecting money laundering with a neuro-fuzzy technique. In 2019 IEEE 16th International Conference on Networking, Sensing and Control (ICNSC) (pp. 454-458). IEEE. doi:10.1109/ICNSC.2019.8743234
Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraudulent financial statements. Expert systems with applications, 32(4), 995-1003. doi:10.1016/j.eswa.2006.02.016
Lee, B., Cho, H., Chae, M., & Shim, S. (2010). Empirical analysis of online auction fraud: Credit card phantom transactions. Expert Systems with Applications, 37(4), 2991-2999. doi:10.1016/j.eswa.2009.09.034
Lee, T. S., Chiu, C. C., Chou, Y. C., & Lu, C. J. (2006). Mining the customer credit using classification and regression tree and multivariate adaptive regression splines. Computational Statistics & Data Analysis, 50(4), 1113-1130. doi:10.1016/j.csda.2004.11.006
Lin, C. S., Tzeng, G. H., & Chin, Y. C. (2011). Combined rough set theory and flow network graph to predict customer churn in credit card accounts. Expert Systems with Applications, 38(1),8-15. doi:10.1016/j.eswa.2010.05.039
Lin, S. W., Shiue, Y. R., Chen, S. C., & Cheng, H. M. (2009). Applying enhanced data mining approaches in predicting bank performance: A case of Taiwanese commercial banks. Expert Systems with Applications, 36(9), 11543-11551. doi:10.1016/j.eswa.2009.03.029
Luo, S. T., Cheng, B. W., & Hsieh, C. H. (2009). Prediction model building with clustering-launched classification and support vector machines in credit scoring. Expert Systems with Applications, 36(4), 7562-7566. doi:10.1016/j.eswa.2008.09.028
Magomedov, G. S., Dobrotvorsky, A. S., Khrestina, M. P., Pavelyev, S. A., & Yusubaliev, T. R. (2018). Application of Artificial Intelligence Technologies for the Monitoring of Transactions in AML-Systems Using the Example of the Developed Classification Algorithm. Int. J. Eng. Technol, 7, 76-79.
Nie, G., Rowe, W., Zhang, L., Tian, Y., & Shi, Y. (2011). Credit card churn forecasting by logistic regression and decision tree. Expert Systems with Applications, 38(12), 15273-15285. doi:10.1016/j.eswa.2011. 06.028
Paasch, C. A. (2008). Credit card fraud detection using artificial neural networks tuned by genetic algorithms. Hong Kong University of Science and Technology (Hong Kong), 1-1112.
Plaksiy, K., Nikiforov, A., & Miloslavskaya, N. (2018, August). Applying big data technologies to detect cases of money laundering and counter financing of terrorism. In 2018 6th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW) (pp. 70-77). IEEE. 10.1109/W-FiCloud.2018.00017
Sobreira Leite, G., Bessa Albuquerque, A., & Rogerio Pinheiro, P. (2019). Application of technological solutions in the fight against money laundering—A systematic literature review. Applied Sciences, 9(22), 1-29. doi:10.3390/app9224800
Quah, J. T., & Sriganesh, M. (2008). Real-time credit card fraud detection using computational intelligence. Expert systems with applications, 35(4), 1721-1732. doi:10.1016/j.eswa.2007.08.093
Sánchez, D., Vila, M. A., Cerda, L., & Serrano, J. M. (2009). Association rules applied to credit card fraud detection. Expert systems with applications, 36(2), 3630-3640. doi:10.1016/j.eswa.2008.02.001
Šušteršič, M., Mramor, D., & Zupan, J. (2009). Consumer credit scoring models with limited data. Expert Systems with Applications, 36(3), 4736-4744. doi:10.1016/j.eswa.2008.06.016
Tiwari, M., Gepp, A., & Kumar, K. (2020). A review of money laundering literature: the state of research in key areas. Pacific Accounting Review, Vol. 32 No. 2, pp. 271-303. doi:10.1108/PAR-06-2019-0065
Xie, Y., Li, X., Ngai, E. W. T., & Ying, W. (2009). Customer churn prediction using improved balanced random forests. Expert Systems with Applications, 36(3), 5445-5449. doi:10.1016/j.eswa.2008.06.121
Yap, B. W., Ong, S. H., & Husain, N. H. M. (2011). Using data mining to improve assessment of credit worthiness via credit scoring models. Expert Systems with Applications, 38(10), 13274-13283. doi:10.1016/j.eswa.2011.04.147
Zhao, H., Sinha, A. P., & Ge, W. (2009). Effects of feature construction on classification performance: An empirical study in bank failure prediction. Expert Systems with Applications, 36(2), 2633-2644. doi:10.1016/j.eswa.2008.01.053
