Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor

Autores/as

  • Ilyas Idrisovich Ismagilov Department of Economic Theory and Econometrics, Institute of Management, Economics and Finance, Kazan (Volga Region) Federal University
  • Ajgul Ilshatovna Sabirova Department of Accounting, Analysis and Audit of the Institute of Management, Economics and Finance, Kazan (Volga Region) Federal University
  • Dina Vladimirovna Kataseva Department of Information Security Systems, Institute of Computer Technologies and Information Security, Kazan National Research Technical University named after A.N. Tupolev-KAI
  • Alexey Sergeevich Katasev Department of Information Security Systems of the Institute of Computer Technologies and Information Security, Kazan National Research Technical University named after A.N. Tupolev-KAI

Palabras clave:

deuda crediticia vencida, puntaje de cobranza, árbol de decisión, regresión logística, red neuronal y minería de datos

Resumen

Este artículo resuelve el problema de la construcción e investigación de modelos de puntuación de colecciones. Se destaca la relevancia de resolver este problema sobre la base de las tecnologías de modelado inteligente: árboles de decisión, regresión logística y redes neuronales. Los datos iniciales de los modelos fueron un conjunto de 14 columnas y 5779 filas. La construcción de los modelos se realizó en plataforma Deductor. Cada modelo fue probado en el conjunto de 462 registros. Para todos los modelos se construyó la correspondiente matriz de clasificación y se calcularon los errores de 1º y 2º tipo, así como el error general de los modelos. En términos de minimizar estos errores, la regresión logística mostró los peores resultados y la red neuronal mostró los mejores. Además, se evaluó la efectividad de los modelos construidos según criterios de «ingresos» y «tiempo». Por el tiempo que cuesta el modelo de regresión logística supera a otros modelos. Sin embargo, en términos de ingresos, el modelo de red neuronal fue el mejor. Así, los resultados mostraron que para minimizar el tiempo dedicado al trabajo con los deudores es recomendable utilizar un modelo logístico. Sin embargo, para maximizar las ganancias y minimizar los errores de clasificación, es apropiado utilizar un modelo de red neuronal. Esto indica su eficacia y posibilidad de uso práctico en sistemas de puntuación inteligentes.

Descargas

Los datos de descargas todavía no están disponibles.

Descargas

Publicado

2020-12-31

Número

Sección

Artículos