تقييم دقة أساليب التنقيب في البيانات Data Mining (DM) في الحد من المخاطر الائتمانية وانعكاساها على جودة القوائم المالية بالقطاع المصرفي-دراسة حالة

أجبرت الهزات الاقتصادية العالمية وعمليات الاندماج الكبرى في القطاع المصرفي وبصفة خاصة البنوك، على إعادة التفكير في تبني استراتيجيّات جديدة تتواكب مع تطور التكنولوجيا وظهور تقنيات الذكاء الاصطناعيAI، مما أدى إلى ضرورة إحداث تغيرات جذرية في القطاع المصرفي المصري والسعي نحو التحول إلى بنوك الجيل الجديد (البنوك الالكترونية) التي تتمتع بتكنولوجيا مصرفية جديدة وأساليب مبتكرة. وهو ما دفع البنك المركزي المصري إلى إنشاء إدارة تسمى "إدارة تحصيل مخاطر الائتمان" للإعلان عن التقييم الائتماني والتقرير الائتماني للمقترض لإثبات الجدارة الائتمانية للعميل، بالاعتماد على بعض الأساليب التكنولوجية والإحصائية الحديثة لتقليل المخاطر الائتمانية وبصفة خاصة مخاطر منح القروض، وتحسين جودة القوائم المالية والأداء المالي للبنك، وعلاقته بالعملاء، مما يقلل الوقت والتكلفة.
تهدف الدراسة إلى تقييم دقة الأساليب المختلفة للتنقيب في البياناتDM - باعتباره أحد التقنيات الحديثة في مجال الذكاء الاصطناعيAI- في التنبؤ بمنح القروض للحد من المخاطر الائتمانية وانعكاس ذلك على جودة القوائم المالية.
توصلت الدراسة إلى أن أساليب التنقيب في البيانات DM المختلفة تعمل على تحسين دقة التنبؤ وسرعة منح القروض المصرفية، وفقا لتصنيفاتها القائمة على التصنيف والتجميع والتنبؤ والتصور.
كما توصلت الدراسة إلى تباين مستوى دقة التنبؤ بين أساليب التنقيب في البيانات DM ، حيث أن نموذج الغابات العشوائية RF هو الأعلى دقة في التنبؤ وفقا لمنحنى ROC والأكثر حساسية يليه أسلوب شجرة القرارDT ويأتي في المرتبة الثالثة أسلوب الانحدار اللوجستي LR .