طراحی یک سیستم پشتیبان هوشمند جهت شناسایی سلامت مالی مشتریان بانکی مبتنی بر یادگیری عمیق گروهی

نویسندگان

    علی اصغر قرائی گروه مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
    مریم رحمتی * گروه مدیریت صنعتی، واحد چالوس، دانشگاه آزاد اسلامی، چالوس، ایران rahmaty.maryam@iau.ac.ir
    سید احمد شایان نیا گروه مدیریت صنعتی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران

کلمات کلیدی:

سیستم پشتیبان تصمیم‌گیری, یادگیری عمیق گروهی, سلامت مالی, ریسک اعتباری

چکیده

هدف: هدف این مطالعه طراحی یک سیستم پشتیبان تصمیمگیری هوشمند برای شناسایی سلامت مالی و اولویتبندی مشتریان بانکی از طریق تلفیق دانش تخصصی کارشناسان اعتبارسنجی با مدلهای یادگیری عمیق گروهی بود. روششناسی: این پژوهش با رویکرد آمیخته اکتشافی ـ متوالی در دو فاز کیفی و کمی انجام شد. در فاز کیفی، دادهها از طریق ۱۶ مصاحبه نیمهساختاریافته با متخصصان اعتبارسنجی و مدیریت ریسک اعتباری بانکهای تجاری و تخصصی شهر تهران گردآوری و با روش تحلیل محتوای قراردادی گرانهیم و لوندمن در نرمافزار MAXQDA 2022 تحلیل شدند. در فاز کمی، دادههای اعتباری و تراکنشی ۴۸۷۲ پرونده مشتریان حقیقی یک بانک تجاری بزرگ ایرانی استخراج شد. معماری مدل شامل سه شاخه بود: شبکه LSTM دوطرفه برای تحلیل روندهای ۱۲ ماهه رفتار مالی، شبکه کاملاً متصل برای شاخصهای اعتباری ایستا و شبکه کاملاً متصل برای متغیرهای جمعیتشناختی. دادهها به مجموعههای آموزش، اعتبارسنجی و آزمون تقسیم شدند و عملکرد مدل با معیارهای ROC-AUC، دقت، حساسیت، F1-Score و تحلیل SHAP ارزیابی شد. یافتهها: مدل ترکیبی پیشنهادی در مجموعه آزمون به ROC-AUC میانگین ۰.۹۳ و F1-Score وزنی ۰.۸۶ دست یافت. مقدار F1-Score برای مشتریان کمریسک، پرریسک و بحرانی بهترتیب ۰.۹۳، ۰.۸۳ و ۰.۷۶ بود. تحلیل SHAP نشان داد نسبت بدهی به درآمد، روند نسبت پوشش اقساط و امتیاز اعتباری در مجموع حدود ۶۰ درصد از قدرت پیشبینی مدل را تشکیل دادند. همچنین، شاخه LSTM نسبت به مدل ایستای پایه ۰.۲۳ بهبود عملکرد ایجاد کرد. نتیجهگیری: تلفیق دانش ضمنی کارشناسان بانکی با معماریهای ترکیبی یادگیری عمیق میتواند به توسعه سیستمهای پشتیبان تصمیمگیری دقیق، تبیینپذیر و قابل اعتماد برای تشخیص سلامت مالی مشتریان و مدیریت ریسک اعتباری منجر شود.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Alahmari, F., Saad, S., & Pileggi, S. F. (2023). A systematic literature review of tacit knowledge management in the banking sector. Journal of Knowledge Management, 27(5), 1310-1334.

Arrieta, A. B., Diaz-Rodriguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115. https://doi.org/10.1016/j.inffus.2019.12.012

Berger, A. N., Molyneux, P., & Wilson, J. O. S. (2020). Banks and the real economy: An assessment of the research. Journal of Corporate Finance, 62, 101513. https://doi.org/10.1016/j.jcorpfin.2019.101513

Dastile, X., & Celik, T. (2021). Making deep learning-based predictions for credit scoring explainable. IEEE Access, 9, 50426-50440. https://doi.org/10.1109/ACCESS.2021.3068854

Dastile, X., Celik, T., & Potsane, M. (2020). Statistical and machine learning models in credit scoring: A systematic literature review. Applied Soft Computing, 91, 106263. https://doi.org/10.1016/j.asoc.2020.106263

Gicic, A., & Subasi, A. (2023). Credit scoring for a microcredit data set using deep learning ensemble methods. Computing in science & engineering, 25(2), 20-31.

Graneheim, U. H., & Lundman, B. (2004). Qualitative content analysis in nursing research: Concepts, procedures and measures to achieve trustworthiness. Nurse Education Today, 24(2), 105-112. https://doi.org/10.1016/j.nedt.2003.10.001

Gunnarsson, B. R., Vanden Broucke, S., Baesens, B., Oskarsdottir, M., & Lemahieu, W. (2021). Deep learning for credit scoring: Do or don't? European Journal of Operational Research, 295(1), 292-305. https://doi.org/10.1016/j.ejor.2021.03.006

Heaton, J. B., Polson, N. G., & Witte, J. H. (2017). Deep learning for finance: Deep portfolios. Applied Stochastic Models in Business and Industry, 33(1), 3-12. https://doi.org/10.1002/asmb.2209

Heaton, J. B., Polson, N. G., & Witte, J. H. (2021). Deep learning in finance: A review. Journal of Financial Data Science, 3(2), 10-25.

Maziriri, E. T., Rukuni, T. F., Nyagadza, B., & Bepe, T. (2026). The customer's quest to manage funds digitally: Exploring the factors that influence the intention to use and the ongoing use of mobile banking apps. Computers in Human Behavior Reports, 21, 100907. https://doi.org/10.1016/j.chbr.2025.100907

Petropoulos, A., Siakoulis, V., Stavroulakis, E., & Vlachogiannakis, N. E. (2020). Predicting bank insolvencies using machine learning techniques. International Journal of Forecasting, 36(3), 1092-1113. https://doi.org/10.1016/j.ijforecast.2019.11.005

Sadhwani, A., Giesecke, K., & Sirignano, J. (2021). Deep learning for mortgage risk. Journal of Financial Econometrics, 19(2), 313-341. https://doi.org/10.1093/jjfinec/nbaa025

Shadzad, V., Naami, A., Kimasi, M., & Azad, N. (2025). Designing a digital content marketing model with a customer engagement approach in commercial banks. Business, Marketing, and Finance Open, 2(1), 150-160. https://doi.org/10.61838/bmfopen.2.1.14

Shafiei, A. S. M., Taleghani, M., & Haghayegh, R. A. S. (2025). Designing and Validating a Behavioral Model of Banking System Customers. Management Strategies and Engineering Sciences, 7(3), 47-56. https://doi.org/10.61838/msesj.7.3.5

Taghipourian, M. J. (2026). The role of emotional branding on brand equity in the banking sector: Is customer experience a mediator? Dynamic Management and Business Analysis, 1-17. https://www.dmbaj.com/index.php/dmba/article/view/247

Yan, X., Li, Y., Nie, F., & Li, R. (2025). Bank Customer Segmentation and Marketing Strategies Based on Improved DBSCAN Algorithm. Applied Sciences, 15(6).

دانلود

چاپ شده

۱۴۰۴/۱۲/۳۰

ارسال

۱۴۰۴/۰۸/۰۱

بازنگری

۱۴۰۴/۱۲/۰۴

پذیرش

۱۴۰۴/۱۲/۱۲

شماره

نوع مقاله

مقالات

ارجاع به مقاله

قرائی ع. ا.، رحمتی م.، و شایان نیا س. ا. . (1404). طراحی یک سیستم پشتیبان هوشمند جهت شناسایی سلامت مالی مشتریان بانکی مبتنی بر یادگیری عمیق گروهی. مدیریت پویا و تحلیل کسب و کار، 4(4)، 1-19. https://dmbaj.org/index.php/dmba/article/view/392

مقالات مشابه

151-160 از 303

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.