Sirvi Autor "Hasanov, Eldar" järgi

Tulemuste filtreerimiseks trükkige paar esimest tähte
Nüüd näidatakse 1 - 1 1
  • Pisipilt
    listelement.badge.dso-type Kirje , listelement.badge.access-status Avatud juurdepääs ,
    Automatiseeritud konto tühjenemise ennustamine jaepanganduses
    (2019) Hasanov, Eldar; Marlon Dumas
    Jaepangad kasutavad mitmeid eri lahendusi ja metoodikaid selleks, et töödelda klientide andmeid eesmärgiga pakkuda paremat teenindust. Üldiselt võivad kliendi tehingud ja rahavood anda kasulikku infot kliendi käitumise või selle mustrite kohta. Üks kliendi rahavoogude ja tehingute puhul kasutatavatest tehisintellektil põhinevatest tehnoloogiatest on konto tühjenemise ennustamine. Teame, et laekumiste ja väljamaksete vaheline tasakaal määrab kliendi majandusliku seisu ning selle tasakaalu ebaefektiivne haldamine võib viia kliendi pankrotti. Konto tühjenemise ennustamise abil on võimalik klientidele pakkuda paremat majandusstrateegiat ja toetada jaepanku, et need saaksid oma klientidele kompetentsemaid riskihaldusteenuseid pakkuda. Neid mudeleid on kasutanud ka paljud teised ettevõtted, et tuvastada potentsiaalseid probleeme ja hallata projekti arenduse käigus tekkivaid ebasoodsaid tagajärgi. Kuigi mõnedes uurimustes on ettevõtete rahavooge analüüsitud, pühenduvad vähesed uurimused rahavoogude ja tühjenemise ennustamise probleemidele jaepanganduses.Selles töös näitame juhtumianalüüsi, kus kasutame tühjenemise ennustamise mudeli loomiseks masinõppelahendust. Meie töö on hinnata konto tühjenemist pärast määratud ennustusvahemikku. Meie finantsasutusest partneri pakutud andmekogum sisaldab aegrida kontojäägi andmetest kuue kuu jooksul ning kliendi ja pangakontoga seotud tunnuseid. Esmalt pakume välja algse lähenemisviisi, kus treenime sisendandmete abilLightGBM-i klassifitseerija. Arvutuskeerukuse vähendamiseks integreerime konveierigaBoruta ja BoostARoota tunnuste valiku metoodikad. Seejärel lisame mudeli jõudluse parandamiseks kolm tunnuste loomise metoodikat: manuaalne, FeatureTools ja TSFRESH.Iga mudelit hinnatakse finantsasutuse anonümiseeritud andmekogumi väljavõtte põhjal.Boruta ja BoostARoota ei näita oodatud paranemist sisendandmekogumi suuruse ja algoritmi arvutusaja tõttu. Lisaks ei näita tunnuste loomise metoodikad algse lähenemisviisiga võrreldes olulist paranemist. TSFRESHi jaoks on arvutuskeerukus probleem, teised metoodikad aga töötavad kiiremini.