Λογότυπο αποθετηρίου

Πλοήγηση ανά Συγγραφέα "Houbtcheva, Hristina"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Optimizing payment arrangements: a credit scoring model
    (2023-03-31) Χούμπτσεβα, Χριστίνα; Houbtcheva, Hristina; Athens University of Economics and Business, Department of Management Science and Technology; Lekakos, Georgios; Mourtos, Yiannis; Korfiatis, Nikolaos
    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.