| Abstract : | Το 57% των ευρωπαϊκών επιχειρήσεων ισχυρίζεται ότι αντιμετωπίζει προβλήματα ρευστότητας λόγω καθυστερήσεων πληρωμών, με την Ελλάδα να βρίσκεται στην κορυφή της λίστας (96%). Πράγματι, το να πείσθούν οι πελάτες να αποπληρώσουν τους λογαριασμούς τους είναι μια σημαντική πρόκληση. Τα τελευταία χρόνια, η Τεχνητή Νοημοσύνη (AI) έχει μεταμορφώσει την είσπραξη χρεών δίνοντας τη δυνατότητα στις εταιρείες να χρησιμοποιούν εξελιγμένες τεχνικές ανάλυσης, συμπεριφορικής επιστήμης και Μηχανικής Μάθησης (ML) για να αυτοματοποιήσουν τις διαδικασίες είσπραξης οφειλών τους και να μειώσουν όχι μόνο τις εκκρεμείς οφειλές των πελατών τους τους αλλά και να προβλέψουν ποιοι πελάτες μπορεί να φέρουν μελλοντικό πιστωτικό κίνδυνο. Η πιθανότητα οικονομικής ζημίας που προκύπτει από την αδυναμία ή την απροθυμία του δανειολήπτη να εκπληρώσει τις οικονομικές του δεσμεύσεις είναι γνωστή ως πιστωτικός κίνδυνος. Οι δανειστές χρησιμοποιούν την πιστοληπτική αξιολόγηση, η οποία περιλαμβάνει στατιστικές μεθόδους, για να αξιολογήσουν την πιστοληπτική ικανότητα των υποψήφιων πελατών και να λάβουν εμπεριστατωμένες αποφάσεις σχετικά με την επέκταση της πίστωσης.Η παρούσα διπλωματική εργασία στοχεύει να αντιμετωπίσει μια από τις μεγαλύτερες προκλήσεις που αντιμετωπίζουν οι εταιρείες κοινής ωφέλειας, που είναι τα αυξανόμενα χρέη των πελατών τους. Μέσα από τη χρήση ενός μεγάλου δείγματος δεδομένων βραχυπρόθεσμων πιστώσεων που παρέχονται από μια εταιρεία κοινής ωφέλειας, οι μεταβλητές πρόβλεψης εξετάζονται και επιλέγονται χρησιμοποιώντας τη μέθοδο προθεσμιακής επιλογής με βάση το Κριτήριο Πληροφοριών Akaike. Στη συνέχεια αναπτύχθηκε ένα μοντέλο μηχανικής μάθησης που μπορεί να αξιολογήσει τον κίνδυνο των πελατών χρησιμοποιώντας την μέθοδο Λογιστικής Παλινδρόμησης. Τα αποτελέσματα του μοντέλου παρουσιάζονται αναλυτικά, συμπεριλαμβανομένων των εκτιμημένων μεταβλητών, τα «καλάθια» (bins) κάθε μεταβλητής και την βαθμολογία τους. Το μοντέλο αξιολογείται με χρήση του ποσοστού «Περιοχής Κάτωθι της Καμπύλης» και του Συντελεστή Gini, μεταξύ άλλων. Όλα τα παραπάνω υποστηρίζονται με την αντίστοιχη βιβλιογραφική ανάλυση Συνολικά, η διατριβή παρέχει έναν περιεκτικό οδηγό για μια ολοκληρωμένη διαδικασία ανάπτυξης ενός μοντέλου αξιολόγησης πιστωτικού κινδύνου.
It is reported that 57% of European businesses claim to have liquidity problems due to late payments, with Greece topping the list (96%). Indeed, getting customers to recompense their accounts is a significant challenge. In recent years, artificial intelligence (AI) has transformed debt collection by enabling companies to employ sophisticated analytics, behavioral science, and machine learning (ML) techniques to automate their debt collection processes and reduce not only their outstanding debts but also future credit risks. The likelihood of financial loss arising from a borrower's inability or unwillingness to meet their financial commitments is known as credit risk. Lenders use credit scoring, which involves statistical methods, to assess the creditworthiness of prospective borrowers and make informed decisions about extending credit.This thesis aims to tackle one of the biggest challenges faced by utility companies, which is the increasing bad debt of their customers. Using a large sample dataset of short-termed installment credits provided by a utility company, predictor variables are examined and selected using the forward selection method based on the Akaike Information Criterion. Then a machine learning model that can assess customers' risk was developed using Logistic Regression. The results of the model are presented in detail, including the logistic regression estimates, the binning of each variable and the score of each bin. The model is evaluated using the Area Under Curve percentage and the Gini Coefficient, among others. All the above are supported with the corresponding bibliographical analysis. Overall, the thesis provides a comprehensive guide to the end-to-end process of scorecard development for credit risk assessment.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.