а, його соціальна стабільність чи інші критерії).
Нейросеть розроблена з мінімально можливими витратами. Будь кредитної організації важливо число і сума виданих кредитів, оскільки дохід кредитної організації залежить від сплачених відсотків. Важливо якомога швидше прийняти рішення і надати кредит клієнту. Причому важливо досить точно оцінити кредитоспроможність клієнта, оскільки від точності прогнозу залежить прибутковість банку. Якщо кредитоспроможність буде оцінена неправильно, з'являється ризик банкрутства організації.
Ухвалення рішення по одній кредитній заявці триває приблизно 2 тижні, для збору повного пакету документів клієнту доводиться неодноразово приходити у відділення банку. І після такої величезної кількості витраченого часу клієнт може отримати негативне рішення. І для захоплення продуктивності роботи кредитного інспектора важливо якомога раніше визначити кредитоспроможність клієнта.
Таким чином, спроектована нейросеть дасть можливість банку скоротити час роботи з одним клієнтом, за рахунок чого збільшиться число клієнтів на день, отже, і число рішень по кредиту.
Висновок
Нейромережеві технології на відміну від експертних систем призначені для відтворення неусвідомлених розумових зусиль людини (наприклад, людина погано знає, як він розпізнає колір предмета). Такого роду технології використовуються для розпізнавання будь-яких подій або предметів. З їх допомогою можна відтворити численні зв'язки між безліччю об'єктів. Принципова відмінність штучних нейромереж від звичайних програмних систем, наприклад експертних, полягає в тому, що вони не вимагають програмування. Вони самі настроюються, тобто навчаються тому, що потрібно користувачеві. Відомі такі сфери застосування нейромереж: економіка і бізнес - пророкування поведінки ринків, пророкування банкрутств, оцінка вартості нерухомості, автоматичне рейтингування, оцінка кредитоспроможності, прогнозування курсу валют; медицина - обробка медичних зображень, діагностика; автоматизація виробництва - оптимізація режимів виробничого процесу, діагностика якості продукції, попередження аварійної ситуації; політичні технології - узагальнення соціологічних опитувань; безпеку та охоронні системи - системи ідентифікації особистості, розпізнавання автомобільних номерів і аерокосмічних знімків; геологорозвідка - аналіз сейсмічних даних, оцінка ресурсів родовищ.
У даній дипломній роботі була розглянута тема споживчого кредитування в РФ з позиції проблем, що виникають у банків при освоєнні даного ринку, в основному стосуються правових аспектів і аспектів зниження ризику. Також було продемонстровано рішення проблем в сьогоднішній дійсності за допомогою інструментів Data Mining платформи Deductor. В рамках даної задачі був реалізований сценарій, що містить в собі консолідацію даних з сторонньої системи, прогін даних через побудовану модель, експорт результатів оцінки кредитоспроможності на сторону.
Основні переваги системи:
Гнучка інтеграція з будь-якими сторонніми системами, тобто отримання інформації для аналізу і перенесення результатів не викликає проблем.
Консолідація інформації про позичальників в спеціальному сховищі даних, тобто забезпечення централізованого зберігання даних, несуперечності, а також забезпечення всієї необхідної підтримки процесу аналізу даних, оптимізованого доступу, автоматичного оновлення даних, використання при роботі термінів предметної обрости, а не таблиць баз даних.
Широкий спектр інструментів аналізу, тобто забезпечення можливості експерту вибрати найбільш підходящий метод на кожному кроці обробки. Це дозволить найбільш точно формалізувати його знання в даній предметній області.
Підтримка процесу тиражування знань, тобто забезпечення можливості співробітникам, які не розуміються в методиках аналізу і способи отримання того чи іншого результату отримувати відповідь на основі моделей, підготовлених експертом. Так співробітник, що оформляє кредити, повинен ввести дані по споживачеві і система автоматично видасть рішення про видачі кредиту або про відмову.
Підтримка групової обробки інформації, тобто забезпечення можливості дати рішення за списком потенційних позичальників. Зі сховища автоматично вибираються дані по особам, які заповнили анкету вчора (або за який завгодно буферний період), ці дані проганяються через побудовану модель, а результат експортується у вигляді звіту (наприклад, у вигляді excel файлу), або експортується в систему автоматичного формування договорів кредитування або листів з відмовою в кредиті. Це дозволить заощадити час і гроші.
Підтримка актуальності побудованої моделі, тобто забезпечення можливості експерту оцінити адекватність поточн...
