Εξόρυξη δεδομένων στον τραπεζικό τομέα και στην πιστοληπτική ικανότητα των πελατών (Bachelor thesis)
Κατερινόπουλος, Γεώργιος/ Πολίτου, Ευθυμία
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Κατερινόπουλος, Γεώργιος | el |
| dc.contributor.author | Πολίτου, Ευθυμία | el |
| dc.date.accessioned | 2022-05-19T12:11:12Z | - |
| dc.date.available | 2022-05-19T12:11:12Z | - |
| dc.identifier.uri | http://195.251.240.227/jspui/handle/123456789/14541 | - |
| dc.description | Πτυχιακή εργασία - Σχολή οικονομίας και διοίκησης - Τμήμα λογιστικής και πληροφοριακών συστημάτων , 2016 α.α 7444 | el |
| dc.rights | Default License | - |
| dc.subject | Εξόρυξη δεδομένων | el |
| dc.subject | Τράπεζες | el |
| dc.subject | Πιστωληπτική ικανότητα | el |
| dc.subject | Πελάτες | el |
| dc.subject | Data mining | en |
| dc.subject | Banks | en |
| dc.subject | Creditworthiness | en |
| dc.subject | Costumers | en |
| dc.title | Εξόρυξη δεδομένων στον τραπεζικό τομέα και στην πιστοληπτική ικανότητα των πελατών | el |
| heal.type | bachelorThesis | - |
| heal.type.en | Bachelor thesis | en |
| heal.generalDescription | Πτυχιακή εργασία | el |
| heal.classification | Εξόρυξη δεδομένων | el |
| heal.classification | Data mining | en |
| heal.classification | Τράπεζες και τραπεζικές εργασίες | el |
| heal.classification | Banks and banking | en |
| heal.classification | Αξιολογήσεις πιστοληπτικής ικανότητας | el |
| heal.classification | Credit ratings | en |
| heal.identifier.secondary | α.α 7444 | - |
| heal.language | el | - |
| heal.access | account | - |
| heal.recordProvider | Σχολή οικονομίας και διοίκησης / Τμήμα λογιστικής και πληροφοριακών συστημάτων | el |
| heal.publicationDate | 2016-02-10 | - |
| heal.bibliographicCitation | Κατερινόπουλος, Γ. & Πολίτου, Ε. (2016). Εξόρυξη δεδομένων στον τραπεζικό τομέα και στην πιστωληπτική ικανότητα των πελατών. Θεσσαλονίκη: Διεθνές Πανεπιστήμιο Ελλάδος. | el |
| heal.abstract | Ζούμε σε μια εποχή που η τεχνολογία μας διευκολύνει στη συγκέντρωση και αποθήκευση μέγαλου αριθμού πληροφοριών με τη βοήθεια βέβαια του αντίστοιχου λογισμικού. Μέσα λοιπόν από τα ισχύοντα πρότυπα, τάσεις ακόμα και μέσα από ανωμαλίες που μπορεί να υπάρχουν σε ογκώδη σύνολα δεδομένων, οι πληροφορίες ομαδοποιούνται και αναλύονται μέσα από απλά και εύχρηστα μοντέλα διαχείρισης. Η μετατροπή των δεδομένων σε πληροφορία και περαιτέρω η μετατροπή της πληροφορίας σε γνώση είναι αποτέλεσμα της κοινωνίας της πληροφορίας όπου ζούμε, δρούμε και εξελισσόμαστε. Η επιτακτική συνύπαρξη διαφόρων επιστημονικών πεδίων όπως: • της στατιστικής, • της μηχανικής εκμάθησης, • της θεωρίας των πληροφοριών καθώς και διαδικασιών με την βοήθεια χρήσης υπολογιστών είχε ως αποτέλεσμα την δημιουργία ενός νέου επιστημονικού πεδίου με εργαλεία τέτοια, ώστε να παρουσιάζει μία πολύ δυναμική παρουσία. Η επιστήμη αυτή είναι γνωστή με την ορολογία «Εξόρυξη Δεδομένων (ΕΔ)» (Data Μining), η οποία χρησιμοποιεί αλγοριθμικά εργαλεία, επιχειρώντας έτσι την ανάλυση των δεδομένων μέσω χρήσιμων και κατανοητών πρότυπων. Το πρώτο και το δεύτερο κεφάλαιο τη παρούσας εργασίας αναφέρονται σε βασικές εννοιες και τεχνικές της εξόρυξης δεδομένων. Στην αμέσως επόμενη κεφάλαιο θα γίνει αναφορά και επεξήγηση της πιστοληπτικής ικανότητας (Creditworthiness), δηλαδή την ικανότητα των επιχειρήσεων, ατόμων ή ακόμα και μιας χώρας να ανταποκρίνονται στις δανειακές τους υποχρεώσεις. Η ικανότητα αυτή προκύπτει από την αξιολόγηση των χαρακτηριστικών του αιτούντα, αφού πρώτα εξεταστούν και αποτυπωθούν, συνήθως σε δεκάβαθμη κλίμακα. Επίσης θα μιλήσουμε και θα αναφερθούμε στην ύπαρξη και καταγραφή των σημαντικότερων διεθνών οίκων αξιολόγησης πιστοληπτικής ικανότητας οι οποίοι είναι οι i) Moody’ s ii) Standard & Poor’ s και iii) Fitch Ratings. Στο τελευταίο κεφάλαιο της παρούσας εργασίας θα μιλήσουμε για τη σύγχρονη αρθρογραφία, τόσο για την εξόρυξη δεδομένων στα τραπεζικά συστήματα όσο και για την πιστοληπτική ικανότητα κάνοντας αναφορά στα άρθρα που βρίσκονται στα παραρτήματα στο τέλος της εργασίας. | el |
| heal.tableOfContents | Κατάλογος σχημάτων 1. Εισαγωγή 1.1 Ορισμός Εξόρυξη δεδομένων……………………………………….………σελ 7 1.2 Αρχές εξόρυξης δεδομένων …………………………………………..……..σελ 8 1.3 Εντοπισμός και ανάλυση γνώσης……………………………………..…..…σελ .9 1.4 Διαδικασία και απαιτήσεις για την εξόρυξη δεδομένων……………………σελ 10 1.4.1 Βασικά στάδια…………………………………………………………….…σελ 10 1.4.2 Απαιτήσεις…………………………………………………………………...σελ 11 1.5 Συστήματα και μέθοδοι……………………………………….……………..σελ 13 1.6 Αντικείμενο εργασίας………………………………………………………..σελ 14 2. Η γνώση μέσα από την εξόρυξη δεδομένων 2.1 H γνώση μέσα από βάσεις δεδομένων…………………………………………..σελ 16 2.1.1 Ανάλυση ορισμού……………………………………………………………σελ 16 2.1.2 Χρησιμότητα και εφαρμογές στην καθημερινότητά μας…………………….σελ 18 2.1.3 Η διαδικασία ΚDD…………………………………………………………..σελ 19 2.2 Μέθοδοι εξόρυξης δεδομένων………………………………………….……σελ 20 2.2.1 Διαδικασία περιγραφικής μοντελοποίησης (Predictive modeling)……….….σελ 21 2.2.2 Διαδικασία μοντελοποίησης πρόβλεψης (Descreptive modeling)………..…..σελ 21 2.2.3 Διαδικασία Ανάλυσης συνάφειας (Association Analysis)……………………σελ 22 2.3 Σύγκριση ταξινόμησης και ομαδοποίησης……………………………………σελ 22 2.4 Εφαρμογή…………………………………………………………….……….σελ 23 2.5 Μοντέλα και Πρότυπα……………………………………………………..….σελ 27 3. Πιστοληπτική Ικανότητα Πελατών 3.1 Πιστοληπτική ικανότητα, ορισμός…………………………………………....σελ 29 3.2 Έλεγχος και καθορισμός από Τράπεζες για την έγκριση ή μη δανεισμού…....σελ 29 3.3 Τρόποι βελτίωσης της πιστοληπτικής μας ικανότητας……………………….σελ 32 3.4 Οίκοι αξιολόγησης πιστοληπτικής ικανότητας………………………………..σελ 32 3.4.1 Διαδικασία αξιολόγησης………………………………………………………σελ 33 3.4.2 Σύστημα αξιολόγησης Moody’s και Σύστημα αξιολόγησης Standard & Poor’s και Fitch……………………………………………………………………………...…….σελ 34 3.5 Σύντομος σχολιασμός Οίκων αξιολόγησης……………………………..……..σελ 35 4. Σύγχρονη ξένη αρθρογραφία σχετικά με την εξόρυξη δεδομένων και την πιστοληπτική ικανότητα των πελατών 4.1 Εισαγωγή……………………………………………………………………..σελ 37 4.2 Data Mining In Baning and its Applications – A Review……………………σελ 37 4.3 Business intelligence in banking: A literature analysis from 2002 to 2013 using text mining and latent Dirichlet allocation…………………………………………………σελ 41 4.4 From Text to Bank Interrelation Maps………………………………………...σελ 43 4.5 Credit risk evaluation using multi-criteria optimization classifier with kernel, fuzzification and penalty factors……………………………………………………....σελ 46 4.6 Risk Assessment of the Individual Housing Loans by Grey Data Mining Based on AHP-GRAP…………………………………………………………………………….σελ 50 4.7 Credit risk assessment model for Jordanian commercial banks: Neural scoring approach…………………………………………………………………………………σελ 53 4.8 Using customer lifetime value and neural networks to improve the prediction of bank deposit subscription in telemarketing campaigns………………………………………σελ 58 4.9 Genetic algorithm-based heuristic for feature selection in credit risk Assessment………………………………………………………………………………σελ 60 4.10 Dynamic churn prediction framework with more effective use of rare event data: The case of private banking……………………………………………………………….…σελ 63 4.11 Better decision support through exploratory discrimination-aware data mining: foundations and empirical evidence……………………………………………………..σελ 67 5. Συμπεράσματα Εργασίας……………………………………………..…………σελ 70 Βιβλιογραφία…………………………………………………………………………….σλ 72 | el |
| heal.advisorName | Κύρκος, Ευστάθιος | el |
| heal.committeeMemberName | Κύρκος, Ευστάθιος | el |
| heal.academicPublisher | Σχολή οικονομίας και διοίκησης / Τμήμα λογιστικής και πληροφοριακών συστημάτων | el |
| heal.academicPublisherID | ihu | - |
| heal.numberOfPages | 75 | - |
| heal.fullTextAvailability | false | - |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| Appears in Collections: | Πτυχιακές Εργασίες | |
Files in This Item:
There are no files associated with this item.
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/14541
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
