مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

طراحی مدل هوشمند اعطای تسهیلات بانکی مبتنی بر کلان داده بر اساس مشخصه های جمعیت شناختی، وضعیت کسب و کار و پرداختهای گذشته مشتریان

نوع مقاله : مقاله پژوهشی

نویسندگان
معصومه وکیلی 1
مریم رحمتی 2
سید احمد شایان نیا 3
رضا رادفر 4
1 گروه مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 گروه مدیریت، واحد چالوس، دانشگاه آزاد اسلامی، چالوس، ایران
3 گروه مدیریت صنعتی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران
4 گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
10.87453/bumara.2025.372318.4858
چکیده
طراحی یک مدل هوشمند اعطای تسهیلات بانکی می تواند بسیار از دغدغه ها و نگرانیهای سیستم بانکی را در خصوص بازپرداخت وامهای اعطای شده و افزایش وامهای غیر عملیاتی را کاهش دهد. برای این منظور لازم است با بهره گیری از الگوریتمهای هوش مصنوعی چنین مدلی طراحی شود. در این تحقیق هدف طراحی یک مدل اعطای تسهیلات بانکی هوشمند بر اساس کلان داده و بر اساس مشخصه های جمعیت شناختی وضعیت کسب و کار و پرداختهای گذشته مشتریان می باشد. مدل شامل 12 متغیر بود که داده های آن از سیستم بانکی جمع اوری شده و سپس با کمک الگوریتمهای یادگیری ماشین پیاده سازی شد. سه الگوریتم کا نزدیکترین همسایه، درخت تصمیم و جنگل تصادفی در تحقیق حاضر استفاده شد که نتایج نشان می دهد الگوریتم درخت تصمیم با دقت 99.6 درصد در بالاترین سطح قادر به پیش بینی رفتار بازپرداخت مشتریان بوده و این امر نشان می دهد که متغیرهای 12 گانه معرفی شده تا بیش از 99 درصد می توانند بازپرداخت مشتریان را بر اساس سه دسته مشتریان با ریسک بالا، متوسط و ریسک اندک دسته بندی نمایند.
کلیدواژه‌ها
مدل هوشمند
اعطایی تسهیلات بانکی
کلان داده
مشخصه های جمعیت شناختی
وضعیت کسب و کار
پرداختهای گذشته
یادگیری ماشین

موضوعات

عنوان مقاله English

Designing a smart model for granting banking facilities based on big data based on demographic characteristics, business status and past payments of customers

نویسندگان English

Masoumeh Vakili 1
Maryam Rahmaty 2
Seyed Ahmad Shayannia 3
Reza Radfar 4
1 Department of Information Technology Management, SR.C., Islamic Azad University, Tehran, Iran
2 Department of Management, Cha.C., Islamic Azad University, Chalus, Iran
3 Department of Industrial Management, Fi.C., Islamic Azad University, Firoozkooh, Iran
4 Department of Industrial Management, SR.C., Islamic Azad University, Tehran, Iran
چکیده English

Designing a smart model for granting banking facilities can reduce many of the concerns and worries of the banking system regarding the repayment of granted loans and the increase in non-performing loans. For this purpose, it is necessary to design such a model using artificial intelligence algorithms. In this research, the aim is to design a smart model for granting banking facilities based on big data and based on demographic characteristics, business status and past payments of customers. The model consisted of 12 variables, the data of which was collected from the banking system and then implemented with the help of machine learning algorithms. Three algorithms, nearest neighbor, decision tree and random forest, were used in the present study, and the results show that the decision tree algorithm is able to predict customer repayment behavior with an accuracy of 99.6% at the highest level, and this indicates that the 12 variables introduced can classify customer repayment based on three categories of customers with high, medium and low risk with more than 99%.

کلیدواژه‌ها English

Intelligent model
Bank facility granting
Big data
Demographic characteristics
Business status
Past payments
Machine learning
Hotaa,L, Jaina,P, Kumar,A, A Comparative Performance Assessment for Prediction of Loan
Approval in Financial Sector, Procedia Computer Science 258 (2025) 298–307.
Thanh,C,N Huy,T,P, Hong,T,P & Quoc,A,N (2025) Credit risk prediction with corruption perception index:
machine learning approaches, Cogent Business & Management, 12:1, 2461731, DOI:
10.1080/23311975.2025.2461731.
Abdelhady ,S, Abdallah ,R, Fawzy ,A,M, Mohamed ,M,A, Salaheldin,Y A Data Driven Model for Predicting Loan Approval Using Machine Learning Approaches, ERURJ 2025, 4, 1, 2271-2289.
Sriram,H, K Leveraging artificial intelligence and machine learning for next-generation credit risk assessment models, 2025 EAJSE Jan 2025, Volume 1, Issue 1.
Fati,S,M A LOAN DEFAULT PREDICTION MODEL USING MACHINE
LEARNING AND FEATURE ENGINEERING, ICIC Express Letters ICIC International ⃝ c 2024 ISSN 1881-803X
Volume 18, Number 1, January 2024 pp. 27–3.
SİNAP,V, A Comparative Study of Loan Approval Prediction Using Machine Learning
Methods, GU J Sci, Part C, 12(2): 644-663 (2024).
Dansana,D, Patro,G,K Mishra,B ,Prasad,V Razak,A, Anteneh Wogasso Wodajo, Analyzing the impact of loan features on bank loan prediction using Random Forest algorithm, Engineering Reports. 2024;6:e12707. wileyonlinelibrary.com/journal/eng2 1 of 17 https://doi.org/10.1002/eng2.12707.
Elrashidy,O, Bendary,M, Fouad,K, A. Elattar,M Intelligent Decision Support System for Loan Evaluation Using Machine Learning, DOI: 10.1109/MIUCC62295.2024.10783533.
Hassan,A, A Machine Learning-Based Loan Eligibility Prediction System Utilizing Ensemble Technique with a Smart Application for Generating Installment Plans, Journal of Computational Science and Applications (JCSA), Volume 1, Issue 1, 2024.
Hrytsenko, L., Pakhnenko, O. Kuzior, A. & Kozhushko, I. (2024). Smart technologies in banking.
Financial Markets, Institutions and Risks, 8(1), 81-93. http://doi.org/10.61093/fmir.8(1).81-93.2024.
Hussain,M,Z, Bank Loan Prediction System Using Machine Learning Models, 2024 IEEE 9th International Conference for Convergence in Technology (I2CT) Pune, India. Apr 5-7, 2024.
Haque,F.M, BANK LOAN PREDICTION USING MACHINE LEARNING TECHNIQUES, Journal of Theoretical and Applied Information Technology 15th October 2024. Vol.104. No. 2.
Raghavan,P, AI-Driven Data Management for Intelligent Loan Processing, International Journal of All Research Education and Scientific Methods (IJARESM), ISSN: 2455-6211, Volume 12, Issue 6, June-2024.
Hossain,S, Sajal,A, Jamee,S,S, Tisha,S,A, Siddique,T, Obaid,O, Karim Chy,S & Md Sayem Ul Haque. (2025). Comparative Analysis of Machine Learning Models for Credit Risk Prediction in Banking Systems. The American Journal of Engineering and Technology, 7(04), 22–33. https://doi.org/10.37547/tajet/Volume07Issue04-04.
Zuama,R,Z, Ichsan,N, Pohan,A,B Azis,M,S  Lase,M An implementation of machine learning on loan default prediction based on customer behavior, Jurnal Info Sains : Informatika dan Sains Volume 14 , Number 01, 2024, DOI 10.54209/infosains.v14i01 ESSN 2797-7889 (Online).
Bi,S, Bao,W, Innovative Application of Artificial Intelligence Technology in Bank Credit Risk Management, International Journal of Global Economics and Management ISSN: 3005-9690 (Print), ISSN: 3005-8090 (Online) | Volume 2, Number 3, Year 2024.
Chaudhry,R, Artificial Intelligence with Streamlining Payments and Lending for a Simpler Financial Ecosystem, 2024 International Conference on Emerging Smart Computing and  Informatics (ESCI) AISSMS Institute of Information Technology, Pune, India. Mar 5-7, 2024.