Μονάδα:
Τμήμα Πληροφορικής & ΤηλεπικοινωνιώνΠληροφορική
Ημερομηνία κατάθεσης:
2021-11-09
Συγγραφέας:
ΜΑΛΕΣΙΟΥ ΕΥΘΥΜΙΑ
Στοιχεία επιβλεπόντων καθηγητών:
Ιωάννης Εμίρης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Πρωτότυπος Τίτλος:
Analysis of monthly payment delays using machine learning
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Ανάλυση της καθυστέρησης των μηνιαίων πληρωμών με χρήση μηχανικής μάθησης
Περίληψη:
Η πρόβλεψη της καθυστέρησης πληρωμής των μηνιαίων τιμολογίων πελατών με
συμβόλαια μακροχρόνιας δέσμευσης ή μακροχρόνια συνεργασία, βρίσκει εφαρμογή
στον χρηματοοικονομικό σχεδιασμό, στην πρόβλεψη της ρευστότητας, στην επιλογή
στρατηγικής για μείωση των απωλειών καθώς και γενικότερα στην αναδοχή
επιχειρηματικών απαιτήσεων (factoring). Ειδικά για τις μικρομεσαίες επιχειρήσεις, έχει εκτιμηθεί πως έως και τα μισά τιμολόγια εξοφλούνται με καθυστέρηση, δημιουργώντας έτσι σημαντικό πρόβλημα. Η κατηγοριοποίηση (classification) ως προς την αναμενόμενη καθυστέρηση πληρωμής σε συνδυασμό με την εκτιμώμενη πιθανότητα αυτού του γεγονότος, επιτρέπουν την κατάταξη των πελατών ως προς τον κίνδυνο απωλειών.
Ο τύπος των προϊόντων ή υπηρεσιών που προσφέρονται από την επιχείρηση,
συνήθως επηρεάζει τα διαθέσιμα χαρακτηριστικά, τα οποία κατ’επέκταση αποκτούν
διαφορετική βαρύτητά στη διαδικασία πρόβλεψης ενώ συχνά ο όγκος των συνολικών
δεδομένων που συλλέγονται για τους πελάτες είναι τεράστιος, κατανεμημένος σε
διαφορετικές βάσεις και με διαβαθμιζόμενη ποιότητα.
Στην παρούσα πτυχιακή, ελέγχεται η αποτελεσματικότητα πρόβλεψης τόσο της κλάσης
(πληρωμή με καθυστέρηση ή χωρίς καθυστέρηση) όσο και των ημερών που
μεσολαβούν από την έκδοση του λογαριασμού έως την πληρωμή του, αξιοποιώντας
ελάχιστα χαρακτηριστικά από το τρέχον τιμολόγιο και το ιστορικό των πελατών. Από
αυτά, παράγονται πρόσθετα χαρακτηριστικά που συνοψίζουν το προφίλ του πελάτη
έως τη δεδομένη στιγμή και πρόσφατες τάσεις, χωρίς να περιλαμβάνεται οποιαδήποτε
πληροφορία δεν είναι γνωστή κατά τη στιγμή έκδοσης του λογαριασμού. Έτσι, το
ενδιαφέρον εστιάζεται στη συμπεριφορά των πελατών χωρίς αυστηρή χρονική
συνιστώσα, όπως στις κλασικές χρονοσειρές.
Αρχικά, αξιολογούνται βασικοί αλγόριθμοι μηχανικής μάθησης που συναντώνται συχνά
σε σχετικές εφαρμογές στη βιβλιογραφία και στη συνέχεια ελέγχονται μέθοδοι συνολικής
μάθησης (ensemble learning), αξιοποιώντας τα βασικά μοντέλα. Τέλος, η αποτελεσματικότητά τους συγκρίνεται και με μοντέλα που χρησιμοποιούν κλασικές χρονοσειρές.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
πρόβλεψη καθυστέρησης πληρωμής, προφίλ πελάτη, κατηγοριοποίηση, παλινδρόμηση, χρονοσειρές
Αρ. σελίδων ευρετηρίου:
10
Αρ. βιβλιογραφικών αναφορών:
39
