منصة الرسائل والاطاريح: نهج النمذجة التنبؤية لتحسين العمليات المصرفية

الخلاصة

تعتبر النمذجة التنبؤية أداة مهمة للبنوك والمؤسسات المالية الأخرى. من أجل تحديد الاحتمالات الواقعية للنتائج المستقبلية، يجب اتباع طريقة لتقييم البيانات المصرفية والتنبؤ بالاحتمالات المحددة. النمذجة التنبؤية هي طريقة لاستخدام البيانات الحالية لإنشاء نموذج مناسب للتنبؤ بنتائج البيانات المستقبلية. الهدف من هذه الدراسة هو اختبار مدى نجاح خوارزميات التعلم الآلي في توقع ما إذا كان العميل الجديد سيحصل على وديعة لأجل أم لا. يمكن استخدامه لمعرفة أفضل استراتيجية لاكتشاف مستهلكي الشركات المصرفية الذين يغادرون كثيرًا. الهدف الأساسي من هذه الرسالة هو إنشاء نموذج بقدرات تنبؤ دقيقة لتعزيز عمليات البنك. يمكن تحقيق هذا الهدف بأقل قدر من الخطأ عن طريق اختيار الميزات الأكثر أهمية، جنبًا إلى جنب مع (اجمع فهمًا أفضل لاحتياجات العميل بناءً على تحليل مجموعات البيانات المصرفية المختلفة، وقم بإجراء تصنيف للميزات للإشارة إلى فعالية الميزات، والإشارة إلى ارتباط الميزات لإظهار إمكانيات التخفيض). مرحلة إعداد البيانات ومرحلة التنبؤ هما المرحلتان الرئيسيتان للنظام المقترح. يتم زيادة دقة التنبؤ بالنموذج المقترح عن طريق إجراء المعالجة المسبقة للبيانات باستخدام تنظيف البيانات (القيم المفقودة)، وتحويل البيانات (الاسمي إلى الثنائي، والاسمي إلى الرقمي)، والتطبيع (التقييس، والتخفيض)، وإجراءات تقليل البيانات. نهج معامل ارتباط الترتيب هو أحد تقنيات تقليل البيانات. من أجل تأكيد أهمية هذه الميزات والدقة التي يمكن تحقيقها، يستخدم النظام المقترح نهج معامل ارتباط الترتيب، والذي يحدد الميزات الأكثر فائدة في كل خطوة قبل دمجها في النموذج. علاوة على ذلك. تستخدم هذه الرسالة تقنيات إحصائية وخوارزميات التعلم الآلي وتحليل الانحدار لاستخدام وتقييم مجموعتي بيانات (مجموعة بيانات بنكية إضافية كاملة ومجموعة بيانات مصرفية - مجموعات بيانات أهداف التسويق). تتضمن تقنيات النمذجة التنبؤية Naive BaysوDT وKNN وLogistic Regression. تم استخدام Accuracy, precision, recall, F-measure, and error كأساس للتقييم. أظهرت النتائج أن أداء النظام المقترح فعال، كان لدى DT (0.93) وKNN (0.92) وLogistic Regression (0.89) وNaive Bays (0.86) أعلى دقة تنبؤ