این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های مدیریت در ایران، جلد ۱۷، شماره ۴، صفحات ۱-۲۴
عنوان فارسی خوشه بندی اعتباری مشتریان برای ارائه تسهیلات متناسب
چکیده فارسی مقاله مؤسسات اعتباری برای در اختیار قرار دادن انواع تسهیلات اعطایی به مشتریان خود‌، نیاز به انجام بررسی‌های کاملی به منظور شناخت متقاضیان از ابعاد کیفی و کمّی دارند، تا از این طریق، ارزیابی کاملی از سنجش توان بازپرداخت و محاسبه احتمال عدم بازپرداخت تسهیلات و خدمات تأمین مالی از سوی آنان، به عمل آید، این بررسی‌ها را به طور عام اعتبارسنجی گویند. هدف از انجام این تحقیق رتبه بندی گروه های مشتریان و تعیین بخش های برتر از آنها می باشد تا با استفاده از آن شرکت کارگزاری بتواند عملیات تخصیص اعتبار را به نحوی مکانیزه انجام دهد. در اینجا پس از پیش پردازش اولیه از داده ها ،آنها به شکل مدل RFM پردازش می شوند. سپس با استفاده از شبکه عصبی SOM به عنوان یکی از الگوریتم های خوشه بندی، مشتریان به 10 خوشه تبدیل خواهند شد. در ادامه با استفاده از مدل پیشنهادی، خوشه ها رتبه بندی می شوند. خوشه های برتر شناسایی و عملیات اعطای تسهیلات برای اعضای این خوشه ها انجام می شود. در نهایت سه خوشه 5، 1 و 7 به عنوان خوشه های برتر تعیین شدند که به عنوان مشتریان هدف می باشند. ضریب تسهیلات اعطایی به این سه خوشه برتر به ترتیب 0.271 ، 0.173 و 0.556 می باشد.
کلیدواژه‌های فارسی مقاله مدیریت ریسک اعتباری، اعتبارسنجی مشتریان، RFM، شبکه عصبی SOM،
عنوان انگلیسی Customer credit clustering for Present appropriate facilities
چکیده انگلیسی مقاله Credit institutions to provide variety of facilities to their customers, need to comprehensive studies by qualitative and quantitative aspects of their applicants. By this way, accomplish a complete evaluation of repay ability measure and calculate the refund facilities probability and finance services by them , these reviews generally validation name. The purpose of this study was ranking customer groups and specifies the best part of them until brokerage firm do its credit allocation process mechanically. Here, after the preprocessing of the data, they are processes in the RFM model. Then SOM neural network as one of the clustering algorithms will change customers to 10 cluster. Using the proposed model, the clusters will rank. The top clusters, identification and facilities grant operations to the members of these clusters will do. Finally, three clusters 5, 1 and 7 defines as top clusters that they are the target customers. Coefficient facilities granted to the top three clusters respectively are 0.271, 0.173 and 0.556.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله امیر افسر |
استادیار گروه مدیریت صنعتی دانشگاه قم
سازمان اصلی تایید شده: دانشگاه قم (Qom university)

رحمت هوشدارمحجوب | هوشدارمحجوب
دانشجوی کارشناسی ارشد دانشگاه قم
سازمان اصلی تایید شده: دانشگاه قم (Qom university)

بهروز مینایی بیدگلی | minaei bidgoli
استادیار گروه مهندسی نرم افزار، دانشگاه علم و صنعت
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

نشانی اینترنتی http://mri.modares.ac.ir/article_2645_83e1b708e9b9bc34d3f5d6005d5deb61.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1421/article-1421-245167.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات