• داده کاوی و تاریخچه پیدایش آن

امروزه متخصصین وآگاهان، توسعه تجارت جهانی را منوط به توسعه تجارت الکترونیک دانسته و همچنین بانکداری الکترونیک و استفاده از تکنیکها، مدل ها و ابزارهای مناسب را نیز موجب حضور موفق تر مؤسسات مالی و بانکها در عرصه رقابت و تجارت جهانی قلمداد می نمایند. بانکها در فضای رقابتی کسب و کار امروزی با مسائل و مشکلات عدیده ای همگام با تغییرات محیطی و اقتصادی روبرو هستند که با توسعه تکنولوژی و حجیم و پیچیده تر شدن فعالیتها، این امر بیش از پیش ملموس بوده، که از آن جمله می توان به پدیده ریسک اشاره نمود. به واقع ریسکها در ذات فعالیتهای بانکی و مالی نهفته اند. از آنجایی که از لحاظ نظری حذف ریسک غیر ممکن می باشد بنابراین می بایست با مدیریت بر آن به عنوان تنها راه حل ممکن اقدام نمود. با مطالعه در حوزه مدیریت ریسک با تکنیکها، روشها و ابزارهای گوناگونی روبرو می شویم که لازمه بکارگیری آنها تشخیص نوع ریسک و متناسب با آن ابزارهای اندازه گیری و کاهش ریسک می باشد. نتایج    بررسی های به عمل آمده در خصوص مدلهای مورد استفاده در مدیریت بر انواع ریسک ها نشان داده است که بکارگیری الگوها و مدلهای داده کاوی از مدلهای مناسب در این زمینه می باشد.

2-5-1: گام های داده کاوی

به طور کلی گام های اجرای داده کاوی در تمام منابع یکسان نیستند ولی آنچه که تقریباً در بین همه آنها به صورت مشترک وجود دارد، کشف دانش را دارای مراحل تکراری زیر می دانند :

• پاکسازی داده ها : از بین بردن نویز و ناسازگاری داده ها
• یکپارچه سازی داده ها : ترکیب چندین منبع داده
• انتخاب داده ها : بازیابی داده های مرتبط با آنالیز از پایگاه داده
• تبدیل کردن داده ها : تبدیل داده ها به فرمی که مناسب برای داده کاوی باشد مثل خلاصه سازی و همسان سازی
• داده کاوی : فرایند اصلی که روال های هوشمند برای استخراج الگوها از داده ها به کار گرفته می شوند.
• ارزیابی الگو : مشخص کردن الگوهای صحیح و مورد نظر توسط معیارهای اندازه گیری
• ارائه دانش : نمایش بصری تکنیکهای بازنمایی دانش برای ارائه دانش کشف شده به کاربر

به عبارت دیگر به دلیل آنکه هدف داده کاوی در نهایت یافتن الگویی است که بتوان داده های موجود را در آن بسط داد و از مدل ساخته شده جهت تصمیم گیری برای داده های آینده بهره جست، بنابراین همان گونه که گفته شد تمامی این فرایند در راستای طرح یک فرضیه بر مبنای الگوی کشف شده از داده های خام چیده شده است.

با بکارگیری مدلهای مورد نظر، داده کاوی در توصیف داده ها به شرح ذیل کمک می نماید :

• خلاصه سازی و به تصویر درآوردن داده ها
• خوشه بندی
• تحلیل لینک

خوشبختانه در سالهای اخیر بکارگیری تکنیک داده کاوی و برنامه ریزی در جهت کاربردی تر و به تبع آن مکانیزه و سیستمی تر نمودن آنها توانسته است به سازمان های مالی کمک های فراوانی در جهت مدیریت بر بحران ها و ریسک ها نماید. همچنین از عوامل دیگری که سبب گردید داده کاوی در کانون توجه این تحقیق قرار گیرد، مسئله در دسترس بودن حجم وسیعی از داده ها و انبار داده در بانک ها می باشد که این امر، نیاز شدید به استخراج دانش سودمند از این داده ها را ملموس تر نموده است. این موضوع با پیدایش مفهوم داده کاوی نیز هماهنگ می باشد.

شاید بتوان لوول (1383) را جزء اولین کسانی دانست که گزارشی در مورد داده کاوی ارائه نموده است. بطور جدی پژوهش در این زمینه از اوایل دهه 90 آغاز گردیده است. در این رابطه پیاتتسکی و شاپیرو (1991) و هافمن و نش (1995) مقالاتی ارائه و بالاخص کاربرد آن را در مسائل اقتصادی و بانک های آمریکا مطرح نمودند.

2-5-2: کاربردهای داده کاوی

داده کاوی بطور همزمان از چندین رشته علمی بهره می برد نظیر : تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، آمار، بازیابی اطلاعات، محاسبات با سرعت بالا.

داده کاوی در حوزه های مختلفی کاربرد داشته که محمدی پور میزان نفوذ داده کاوی در صنایع مختلف را به صورت جدول یک اعلام نموده است.

جدول 2-1 : میزان نفوذ داده کاوی در صنایع مختلف

منبع : محمدی پور، 1388

همانطور که ملاحظه می کنید بجز شناسایی جرم، امنیت و ضد تروریسم و کمی وب کاری الباقی به طور مستقیم دارای حجم عظیمی از داده های مالی می باشند. بنابراین داده کاوی در میان اطلاعات مالی بیشترین سهم را دارا می باشد.

برخی از کاربردهای داده کاوی در حوزه مالی که تحقیقات داخلی زیادی در رابطه با آن کار شده است عبارت است از : 1. داده کاوی و مشتریان 2. داده کاوی و بانک 3. داده کاوی و ورشکستگی4. داده کاوی و تقلب 5. داده کاوی و سیستم های اطلاعات حسابداری 6. داده کاوی و             پیش بینی های مالی 7. داده کاوی و هزینه یابی 8. داده کاوی در حسابرسی

Lovell

Piatetsky-Shapiro

Hafman & Nash

• بکارگیری تکنیک های داده کاوی در حوزه <a href="https://infosci2.um.ac.ir/index.php/riis/article/view/19144″ title=”اعتبارسنجی“>اعتبارسنجی

داده کاوی به طور گسترده برای مدیریت ریسک در صنعت بانکداری مورد استفاده قرار میگیرد. مدیران بانک نیاز به آگاهی از اینکه مشتریانی که خرید و فروش می کنند آیا قابل اعتماد و اطمینان هستند یا نه، ارائه کارت اعتباری جدید مشتریان، تمدید اعتبار مشتریان موجود، و موافقت با وام ها اگر اطلاعات در مورد مشتریان نداشته باشد می تواند تصمیم های ریسک داری باشند. داده کاوی میتواند با تعیین اینکه کدام یک از مشتریان مایل به پرداخت بدهی های خود هستند به کاهش ریسک بانکهایی که کارت اعتباری به مشتریان ارائه می دهند کمک کند.

اعتبارسنجی یکی از ابزارهای مدیریت ریسک مالی می باشد. اعتبارسنجی می تواند برای     قرض دهنده موقع قرض خیلی مهم باشد. سابقه درخواست کننده های خوب و بد وام می تواند برای تهیه مشخصات درخواست کننده های خوب و بد وام مورد استفاده قرار بگیرد.

همچنین داده کاوی میتواند اعتبار رفتار وام گیرنده گان وام های پرداخت قسطی، رهن، و وامهای کارت اعتباری را با بهره گرفتن از خصوصیاتی از قبیل سابقه اعتبار، مدت استفاده، مدت اقامت را استنتاج کند. رتبه بندی به وام دهنده کمک می کند تا مشتری را ارزیابی کرده و تصمیم بگیرد که مشتری کاندید خوبی برای وام هست یا نه و دارای ریسک می باشد. مشتریانی که برای دوره های زمانی زیادی با بانک همکاری دارند، در وضعیت خوبی قرار می گیرند، و آنهایی که درآمد بالایی دارند احتمال زیادی برای دریافت وام دارند تا آنهایی که مشتری جدیدی بوده و سابقه ای در بانک ندارند یا آنهایی که درآمد پایینی دریافت می کنند. با دانستن احتمال عدم پرداخت مشتریان بانک در موقعیت بهتری برای کاهش ریسک قرار دارد.

بررسی، سنجش و اندازه گیری اعتبار مشتریان در مؤسسات اعتباری، امروزه یکی از مهمترین تصمیمات مالی به شمار می آید. در گذشته، تصمیم در خصوص اعطای اعتبار به افراد حقیقی و یا حقوقی درخواست کننده اعتبار، اغلب بر عهده فردی خبره یا گروهی از خبرگان بوده است و این امر توسط بخشهای مرتبط با امور پولی و اعتباری به اجرا در می آمده است. از آنجایی که روش های قضاوتی مذکور بسیار وقت گیر، پرهزینه و ذهنی (غیر عینی) می باشند، از اعتبار علمی و پایایی لازم برخوردار نمی باشند. بدین منظور مؤسسات مالی باید اقدام به طراحی سیستم های امتیازدهی اعتبار عینی و معتبری مبتنی بر الگوها و مدلهای علمی کنند. سیستم های مدرن سنجش اندازه گیری اعتبار مشتریان مبتنی بر فرآیندهایی مکانیزه شده ای است که طی آن، به برخی از ویژگی های مهم اعتباری مشتریان، امتیازات خاصی اعطا می گردد.(انواری رستمی،فتحی،1382، 2)

تسهیلات مالی“>تسهیلات مالی مبتنی بر صورتهای مالی

مهمترین شاخص های مؤثر در اندازه گیری اعتبار مشتریان

منبع : یافته های پژوهشگر

اعتبارسنجی مشتریان (خوش حساب، بدحساب) متغیرهایی است که در اعطای تسهیلات و سرمایه گذاری در شرکت‌ها از اهمیت ویژه‌ای برخوردار است. با توجه به گرایش سیستم بانکداری به سمت خصوصی سازی و توسعه روز افزون موسسات مالی در سطح کشور این پژوهش می‌تواند در سطح وسیعی از سوی آنها به کار گرفته شود. این بانک‌ها می‌توانند مدل نهایی پژوهش را در تخصیص اعتبار به مشتریان به کار گیرند. ساختار مدل از جمله مهمترین نتایج تحقیق است که می‌تواند به عنوان الگویی برای طراحی مدل‌های مشابه باشد.

در حال حاضر بخش عمده ای از بانک های کشور در ساختار سازمانی خود فاقد واحد مدیریت ریسک بوده و در صورت وجود این واحد اقدام جدی برای کنترل و اداره کردن ریسک انجام     نداده اند. نکته قابل تعمق در این رابطه این است که، عدم شناسایی اطلاعات موجود، پراکندگی اطلاعات، تعداد پایگاه های داده ها و بانک های اطلاعاتی، عدم ارتباط این پایگاه ها با هم و… ، که بطوریکه منتج به عدم کشف دانش و رابطه مورد نظر در این زمینه شده است. با توجه به مراتب فوق چنانچه بتوان مدیران و کارشناسان ذیربط را در مؤسسات مالی و بانک ها با مفاهیم و مدل های    داده کاوی آشنا نمود بخش عظیمی از این مشکل مرتفع گردیده و همانگونه که از بخش های مختلف این تحقیق مشخص گردیده است فرایند اعتبارسنجی مبتنی بر صورتهای مالی کاملاً با فرایند       داده کاوی تطابق داشته و می توان از علوم ذیربط و مدل های مربوطه پس از پاکسازی و خلاصه- سازی داده ها جهت سنجش اعتبار مشتریان بهره گرفت.

Malhotra

Gary , Mirkovic , Ragunathan

شبکه های عصبی

در اواخر هزاره دوم در هوش مصنوعی[1] پیشرفت عمده ای صورت گرفت. بدین صورت که کاربرد هر مدل پیش بینی به عنوان بخشی از فرایند تصمیم گیری می تواند به صورت هوش مصنوعی تفسیر شود. اما یک تکنیک وجود دارد که هوش مصنوعی را در بطن خود دارد، این تکنیک شبکه عصبی است. جذابیت شبکه های عصبی در این است که آنها بوسیله مدلسازی ارتباطات عصبی مغز انسان در کامپیوترهای دیجیتالی، پلی برای فاصله موجود ایجاد می کنند.(بیگاس[2]،1996، 14)

این تکنیک از جدیدترین تکنیکهای اندازه گیری اعتبار مشتریان به شمار می آید که در دهه اخیر مطرح شده ولی متأسفانه هنوز به اندازه کافی از آن بهره گرفته نشده است (لی و همکاران[3]،2002، 249). شبکه های عصبی (که در واقع نوعی رگرسیون غیر خطی نیز به حساب می آیند) در حل بسیاری از مسائل بکار گرفته شده اند (چنگ و تیترینگتون[4]،1994، 18). لویدز[5] چنین ادعا نموده که با کاربرد شبکه های عصبی اغلب در خصوص ارزیابی اعتبار مشتریان می توان صحت ارزیابی ها را تا 10 درصد افزایش داد. آلتمن (1994)، تام و کیونگ[6] (1992) از شبکه های عصبی در خصوص ارزیابی اعتبار شرکتها استفاده کرده اند.

پیشرفت واقعی در شبکه‌های عصبی در دهه 70 اتفاق افتاد. در سال 1972 تئوری کوهونن[7] و جیمز اندرسون[8] مستقل از هم، شبکه‌های جدیدی که قادر بودند مثل عناصر ذخیره ساز عمل کنند معرفی کردند. در دهه 80 با رشد تکنولوژی میکروپروسسورها، تحقیقات روی شبکه‌های عصبی فزونی یافت. شبکه‌های برگشتی[9] و الگوریتم پس از انتشار خطا[10] نتایج این تحقیقات بودند.

تحقیقات روی شبکه‌های عصبی چند لایه پیشخور، به کارهای اولیه فرانک 1959 شبکه عصبی پرسپترون تک لایه، با تابع محرک دو مقداره حدی غیر خطی و قانون SLPR بر می‌گردد.

شبکه‌های تک لایه از این مشکل اساسی برخوردارند که تنها توانایی حل آن دسته از مسائل   طبقه بندی را دارند که به طور خطی از هم مستقلند. هم روزنبلات و هم ویدرو از این امر واقف بودند و شبکه‌های چند لایه را پیشنهاد کرده بودند. هر چند استفاده از عبارت پس انتشار عملاً پس از 1985 متداول گشت، لیکن نخستین توصیف الگوریتم BP توسط پاول وربز[11] در سال 1974 در رساله دکترایش مطرح شد. در این رساله، الگوریتم BP تحت عنوان شبکه‌های عمومی ارائه شد. این الگوریتم در دنیای شبکه‌های عصبی ظاهر نشد تا اینکه در اواسط دهه 80 الگوریتم BP‌ دوباره کشف و به طور وسیعی مطرح شد. این الگوریتم به طور مستقل توسط دیوید راملهارت[12] ، جفری هینتون [13] و رونالد ویلیامز[14] در سال 1986، دیوید پارکر و یان لی چون در سال 1985 دوباره مطرح و در دنیای شبکه عصبی معروف گردید.

[1] Artificial Intelligence

[2] Bigus

[3] Lee Tian-Shyug. Chih-Chou Chiu, Chi-Jie Lu, I-Fei Chen

[4] Cheng,B. And Titterington ,D.M

[5] Louidz

[6] Tam, K.Y, Kiang, M.Y

[7] Teo Kohonen

[8] James Anderson

[9] Feed Back

[10] Error Back

[11] Paul Werbos

[12] David Rumellhart