лого населення країни;
· дані рухів по рахунках, якщо мова йде про вже діючому клієнта банку.
Кредитні аналітики оперують такими поняттями: «характеристики» клієнтів (в математичній термінології - змінні, фактори) і «ознаки» - значення, які приймає змінна. Якщо уявити собі анкету, яку заповнює клієнт, то характеристиками є питання анкети (вік, сімейний стан, професія), а ознаками - відповіді на ці питання.
У самому спрощеному вигляді скорингова модель являє собою зважену суму певних характеристик. У результаті виходить інтегральний показник, чим він вищий, тим вище надійність клієнта, і банк може впорядкувати своїх клієнтів за ступенем зростання кредитоспроможності.
Інтегральний показник кожного клієнта порівнюється з якимсь числовим порогом, або лінією розділу, яка, по суті, є лінією беззбитковості і розраховується з відношення, скільки в середньому потрібно клієнтів, які платять у строк, для того, щоб компенсувати збитки від одного боржника. Клієнтам з інтегральним показником вище цієї лінії видається кредит, клієнтам з інтегральним показником нижче цієї лінії - ні.
Аналітичні технології DataMining містять ефективні засоби побудови скорингових моделей. Нейронні мережі і дерева рішень дозволяють визначати оптимальні скорингові бали, за допомогою логістичної регресії здійснюється розробка скорингових карт і т.д.
DataMining - виявлення в «сирих» даних раніше невідомих, нетривіальних, практично корисних і доступних інтерпретації знань, необхідних для прийняття рішень у різних сферах людської діяльності.
Інформація, знайдена в процесі застосування методів Data Mining, повинна бути нетривіальною і раніше неізвестной.Mining - це не один, а сукупність великої кількості різних методів виявлення знань. Всі завдання, які вирішуються методами Data Mining, можна умовно розбити на п'ять класів: класифікація, регресія, кластеризація, асоціація і послідовні шаблони.
Для даної роботи нам найкраще підходить метод класифікації.
Класифікація є найбільш простий і водночас найбільш часто розв'язуваної завданням Data Mining. В результаті рішення задачі класифікації виявляються ознаки, які характеризують групи об'єктів досліджуваного набору даних - класи; за цими ознаками новий об'єкт можна віднести до того чи іншого класу.
Для вирішення завдання класифікації можуть використовуватися методи: найближчого сусіда; k-найближчого сусіда; байєсовські мережі; індукція дерев рішень; нейронні мережі.
Розробляється система повинна пройти випробування на справність, надійність і відповідність мети створення системи.
При виконанні ряду робіт з введення в експлуатацію даної СППР необхідно виділити два основних періоди:
· організаційно - підготовчий;
· дослідну експлуатацію.
В організаційно - підготовчий період необхідно:
· забезпечити підготовку приміщень;
· провести монтаж, наладку та випробування системи безпосередньо на робочих місцях;
· провести навчання персоналу роботі з СППР у відповідності з посадовими і технологічними інструкціями, особливо звернувши увагу на їхні дії у випадках збійних ситуацій і виходу з них.
Навчання відбуватиметься однією групою. Заданий навчання відбуватиметься в такому вигляді т.к. на даному підприємстві невелика кількість співробітників (кредитних інспекторів) будуть безпосередньо працювати з створюваної програмою.
Метою дослідної експлуатації є обробка дій усіх служб, що беруть участь в експлуатації системи.
Після закінчення робіт розробник пред'являє замовнику документи, що підтверджують створення системи, а також документацію на саму систему.
2. Проектна частина
.1 Технічне проектування
Програмне забезпечення
Програмне забезпечення повинно бути виконано на мові Delphi. Дане програмне забезпечення повинне мати наступні функції:
· простота і зручність заповнення даних про нові позичальниках і видах кредитів;
· можливість редагування і видалення даних про кредити, позичальниках і видах кредитів;
Математичне забезпечення
В якості математичного забезпечення використовуються метод класифікації (Data Mining) і скорингова модель.
Скорингова модель
Скорингова модель - модель, за допомогою якої кредитна організація намагаєтьс...
