Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Szűcs Imre - Dr. Pitlik László (OTKA T049013)

Hasonló előadás


Az előadások a következő témára: "Szűcs Imre - Dr. Pitlik László (OTKA T049013)"— Előadás másolata:

1 Szűcs Imre - Dr. Pitlik László (OTKA T049013)
Konzisztens jövőképek levezetésének módszertani lehetőségei a bankszektorban, avagy lakossági termékvásárlási modellek és viselkedési hitelpontozó kártyák fejlesztése makrogazdasági peremfeltételekkel Szűcs Imre - Dr. Pitlik László (OTKA T049013)

2 Lakossági bankok kihívásai modellezési szempontból
Éles verseny Költség(új ügyfél) >> Költség(meglévő ügyfél megtartása) Keresztértékesítés Lemorzsolódás előrejelzése Ügyfélérték Basel II + Score Card Credit Score card PD LGD EAD Versenytársak!

3 Adatbányászati módszerek
Felügyelt tanulás Logisztikus regresszió Döntési fák Mesterséges neurális hálózatok SVM Score Card Solution (SAS Institute) Felügyelet nélküli tanulás Klaszterezés - profilozás

4 Makrogazdasági változás
Ügyfél szemével nézve (Szubjektív mérőszámok) Lakossági fogyasztói bizalmi index (GKI) Marketingtevékenység hatása Hitelfelvételi eljárások egyszerűsödése Életviteli költségek Objektív mutatók Reáljövedelem Rendelkezésre álló jövedelem

5 Inkonzisztencia Makrogazdasági változókból levezetett jövőkép és a belső adatbányászati modellek alapján előre vetített jövőkép egymásnak ellentmond. Modellezésnél figyelembe kell venni a makrogazdaság állapotát leíró változókat a háztartások által tapasztalt, szubjektív makrogazdasági környezetet

6 Anyag Fogyasztói bizalmi index Lakossági hitelállomány Reáljövedelem
Hipotetikus banki reklámtevékenység Hipotetikus hitelfelvételi eljárás bonyolultsága Termékaffinitási modell Lakossági hitelpontozó kártya (score card)

7 A fogyasztói bizalmi index és a lakossági hitelállomány alakulása 1996
A fogyasztói bizalmi index és a lakossági hitelállomány alakulása január és márciusa között. Forrás: GKI Forrás: MNB

8 Módszer – termékaffinitás modell mesterséges neurális hálózattal
Multilayer Perceptron Aktivációs függvény: tangens hiperbolikus Kombinációs függvény: lineáris Rejtett rétegek száma: 3 Leállítási kritérium: „early stopping” Tanulási/validációs/tesztelési minta megoszlása: 40% / 30% / 30% (véletlenszerűen) Visszamérés: ASE (Average Squared Error) Kolmogorov-Smirnov statisztika ROC (Receiver Operating Characteristic) Szoftver SAS Base 9.1.3 SAS STAT SAS Enterprise Miner 5.2

9 Alapadatok

10 Eredmények ROC a vízszintes tengelye(False Rate): a tévesen „rossz” ügyfélnek sorolt ügyfelek aránya az összes „rossz” ügyfélhez viszonyítva, adott becsült valószínűség mellett. Függőleges (Hit Rate) tengelye: a helyesen „rossz” ügyfélnek sorolt ügyfelek aránya az összes „rossz” ügyfél számához viszonyítva, adott becsült valószínűség mellett. Neural – Modell_1 Neural2 – Modell_2 Készült: SAS Enterprise Miner 5.2

11 Konklúzió szubjektív jellegű adatok használata javítja a modellek előrejelző képességét Fogyasztói bizalmi index marketingtevékenység ügyfelekre gyakorolt hatásának Konzisztens előrejelzés Továbblépés Hitelpontozó kártya Objektív és szubjektív makrogazdasági adatok által keltett „csapdahelyzetek” feltárása

12 Köszönöm a figyelmet! Szűcs Imre SZIE GSZDI / MKB Bank
Tel.:


Letölteni ppt "Szűcs Imre - Dr. Pitlik László (OTKA T049013)"

Hasonló előadás


Google Hirdetések