การใช้การเรียนรู้ของเครื่องเพื่อเพิ่มความรวดเร็วของการวิเคราะห์อนุมัติสินเชื่อส่วนบุคคลและลดปัญหาหนี้เสีย

Abstract

วัตถุประสงค์ของการศึกษาในครั้งนี้เพื่อนำความรู้ที่ได้จากการศึกษาการใช้งานการเรียนรู้ของเครื่องมาเพิ่มความรวดเร็วของการวิเคราะห์อนุมัติสินเชื่อส่วนบุคคล อีกทั้งยังที่ช่วยลดความเสี่ยงของการเกิดหนี้ที่ไม่ก่อให้เกิดรายได้ในการอนุมัติสินเชื่อแก่ผู้ขอสินเชื่อรายใหม่ เพราะเนื่องจากสภาพเศษฐกิจในปัจจุบันยังมีความไม่แน่นอนสูง ทำให้ความสามารถในการชำระหนี้ของภาคครัวเรือนลดลง จนก่อให้เกิดหนี้ที่ไม่ก่อให้เกิดรายได้และมีแนวโน้มสูงขึ้น การศึกษานี้ใช้ข้อมูลสินเชื่อของลูกค้าจากฐานข้อมูลของธนาคาร ตามกระบวนการวิเคราะห์ข้อมูลด้วย CRISP-DM และได้ทำการทดสอบด้วยแบบจำลอง Decision Tree, Random Forest, Logistic Regression, XGBoost, KNN, Naive bayes และ SVC แบบจำลองที่มีประสิทธิภาพในการทำนายสูงสุดคือ XGBoost โดยให้ค่าความถูกต้องอยู่ที่ 0.84 จากการทดสอบด้วย F1-Score แสดงถึงความสามารถของการทำนายที่อยู่ในระดับที่ดีพอใช้ แต่อย่างไรก็ตาม การนำแบบจำลองไปใช้ ควรใช้ร่วมกับการตัดสินใจของผู้มีส่วนรับผิดชอบ รวมถึงการพิจารณาปัจจัยภายนอกประกอบการอนุมัติ