«ΠΡΟΒΛΕΨΗ ΕΓΚΡΙΣΕΩΝ ΠΙΣΤΩΤΙΚΩΝ ΚΑΡΤΩΝ»

Abstract

Στην παρούσα διπλωματική εργασία θα μελετηθεί με τη βοήθεια της μηχανικής μάθησης η έγκριση ή όχι, της αίτησης ενός πελάτη για την έκδοση πιστωτικής κάρτας. Τα τελευταία χρόνια έχει παρατηρηθεί το φαινόμενο της αύξησης της χρήσης των πιστωτικών καρτών όχι μόνο για την αγορά καταναλωτικών αγαθών, αλλά και για την πληρωμή φόρων εισοδήματος, του ΕΝΦΙΑ και των τελών κυκλοφορίας των οχημάτων. Αυτή η αυξητική τάση έκδοσης και χρήσης πιστωτικών καρτών, οδήγησε τις τράπεζες στο να υιοθετήσουν ένα αυτοματοποιημένο σύστημα αποδοχής, ανάλυσης και επεξεργασίας των αιτήσεων των πελατών, για την έκδοση των πιστωτικών καρτών, το οποίο με τη συμβολή της τεχνολογίας της στατιστικής ανάλυσης και της επιστήμης της ανάλυσης των δεδομένων η εκδότρια της κάρτας τράπεζα, θα επιτυγχάνει αυτόματα την έγκριση ή όχι της αίτησης για την έκδοση πιστωτικής κάρτας. Έτσι στο πλαίσιο της διπλωματικής εργασίας, λήφθηκε ένα σύνολο δεδομένων από την πλατφόρμα Kaggle, όπου μετά από ανάλυση αυτών μέσω της εφαρμογής Tableau, δημιουργήθηκαν χρήσιμες απεικονίσεις των δεδομένων για την καλύτερη κατανόησή τους. Στη φάση της προεργασίας και έπειτα από σχετική επεξεργασία το σύνολο των δεδομένων έπρεπε να μετατραπεί σε μορφή κατανοητή από τους σχετικούς αλγόριθμους της μηχανικής μάθησης. Έτσι, για τα νέα δεδομένα που σχηματίστηκαν αξιοποιήθηκαν οι αλγόριθμοι decision trees και random forest. Για το μοντέλο που δημιουργήθηκε, αξιοποιήθηκε η ενισχυτική διαβάθμιση δέντρων αποφάσεων (GBDT) με τη χρήση της βιβλιοθήκης XGBoost (Extreme Gradient Boosting). Η διαχείριση των πινάκων έγινε με συναρτήσεις της βιβλιοθήκης NumPy η οποία διαθέτει μια μεγάλη συλλογή μαθηματικών συναρτήσεων. Για τη δημιουργία γραφημάτων, χρησιμοποιήθηκε η συλλογή συναρτήσεων pyplot της βιβλιοθήκης matplotlib. Το μοντέλο αξιολογήθηκε με τις μετρικές f1-score, accuracy, precision, recall, το ποσοστό του AUC ROC score (Area Under the ROC (Receiver Operating Characteristic) Curve), αλλά και μέσω των SHAP values όπου ανάλογα με την σπουδαιότητα των γνωρισμάτων και των τιμών αυτών, προέβλεπαν αν έχουν θετική ή αρνητική επίδραση στο τελικό αποτέλεσμα του στόχου του μοντέλου μας. Η μηχανική μάθηση, αξιοποιώντας σωστά τα ακριβή και μεγάλα σύνολα δεδομένων, μπορεί να συμβάλλει σημαντικά στη πρόγνωση των τομέων της οικονομίας.