Главная База знаний "Allbest" Программирование, компьютеры и кибернетика Разработка системы поддержки принятия решений в сфере банковского кредитования

Разработка системы поддержки принятия решений в сфере банковского кредитования

Классификация систем поддержки принятия решений. Сравнительный анализ методик для оценки рисков розничного кредитования. Структура системы поддержки принятия решений, формирование начальной базы знаний. Проектирование базы данных информационной системы.

Рубрика	Программирование, компьютеры и кибернетика
Вид	дипломная работа
Язык	русский
Дата добавления	10.07.2017
Размер файла	1,9 M

посмотреть текст работы

скачать работу можно здесь

полная информация о работе

весь список подобных работ

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

1. Паспорт

§ Пол

? Мужской

? Женский

§ Возраст

? 18 - 24

? 25 - 29

? 30 - 40

? 40 - 50

? Более 50

§ Семейное положение

? Холост

? Разведен

? Женат

§ Место жительства

? Город

? Сельская местность

2. Здоровье

§ Частота заболеваний в год

? Не более 1 раза

? 1- 3раза

? Более трех раз

§ Хронические болезни

? Имеются

? Не имеются

§ Занятия спортом

? Регулярно

? Редко

? Не занимается

3. Работа

§ Должность

? рабочий

? специалист

? руководитель

§ Время работы

? до года

? от 1 до 3 лет

? более 3х лет

§ Безработный

§ Доход

? от 5 до 10 т.р

? от 10 до 20 т.р

? от 20 до 30 т.р

? более 30 т.р

§ Предприятие

? бюджетное

? коммерческое

? частное

4. Закон

§ административные нарушения

? имеются

? не имеются

§ уголовная ответственность

? имеется

? не имеется

§ заведение уголовного дела

? имеется

? не имеется

5. Образование

§ высшее

§ среднее специальное

§ среднее

Из достоверных источников имеется база обналиченных кредитных заявлений от физических лиц, по которым известны оценки кредитной истории - плохая и хорошая. Проведем анализ данных заявлений и выполним разбиение данных физических лиц по социально демографическим признакам. Далее можно будет выделить группы людей, которые более склонны к рискам и группы людей, которые не несут угрозы невыплат по кредитам. С целью более наглядного результата введем обозначение М - мужчины, Ж - женщины. В результате анализа получили следующие группировки.

Хорошая кредитная история:

1. М, до 25 лет, получено высшее образование, имеющие детей-36

2. М, от 25 до 35 лет, получено высшее образование, имеющие детей-67

3. М, от 35 до 45 лет, получено высшее образование, имеющие детей-73

4. М, от 45 лет и старше, получено высшее образование, имеющие детей-43

5. М, до 25 лет, диплом средне специальный, имеющие детей-41

6. М, от 25 до 35 лет, диплом средне специальный, имеющие детей-62

7. М, от 35 до 45 лет, диплом средне специальный, имеющие детей-58

8. М, от 45 лет и старше, диплом средне специальный, имеющие детей-66

9. М, до 25 лет, получено высшее образование, детей нет-32

10. М, от 25 до 35 лет, получено высшее образование, детей нет-32

11. М, от 35 до 45 лет, получено высшее образование, детей нет-34

12. М, от 45 лет и старше, получено высшее образование, детей нет-30

13. М, до 25 лет, диплом средне специальный, детей нет- 25

14. М, от 25 до 35 лет, диплом средне специальный, детей нет-24

15. М, от 35 до 45 лет, диплом средне специальный, детей нет-33

16. М, от 45 лет и старше, диплом средне специальный, детей нет-35

17. Ж, до 25 лет, получено высшее образование, имеющие детей-49

18. Ж, от 25 до 35 лет, получено высшее образование, имеющие детей-57

19. Ж, от 35 до 45 лет, получено высшее образование, имеющие детей-82

20. Ж, от 45 лет и старше, получено высшее образование, имеющие детей-49

21. Ж, до 25 лет, диплом средне специальный, дети есть -28

22. Ж, от 25 до 35 лет, диплом средне специальный, имеющие детей-39

23. Ж, от 35 до 45 лет, диплом средне специальный, имеющие детей-68

24. Ж, от 45 лет и старше, диплом средне специальный, имеющие детей-56

25. Ж, до 25 лет, получено высшее образование, детей нет-33

26. Ж, от 25 до 35 лет, получено высшее образование, детей нет-47

27. Ж, от 35 до 45 лет, получено высшее образование, детей нет-44

28. Ж, от 45 и старше, получено высшее образование, детей нет-59

29. Ж, до 25 лет, диплом средне специальный, детей нет-42

30. Ж, от 25 до 35 лет, диплом средне специальный, детей нет-43

31. Ж, от 35 лет до 45, диплом средне специальный, детей нет-51

32. Ж, от 45 лет и старше, диплом средне специальный, детей нет-62

Плохая кредитная история:

33. М, до 25 лет, получено высшее образование, имеющие детей-0

34. М, от 25 до 35 лет, получено высшее образование, имеющие детей-11

35. М, от 35 до 45 лет, получено высшее образование, имеющие детей-0

36. М, от 45 лет и старше, получено высшее образование, имеющие детей-0

37. М, до 25 лет, диплом средне специальный, имеющие детей-3

38. М, от 25 до 35 лет, диплом средне специальный, имеющие детей-0

39. М, от 35 до 45 лет, диплом средне специальный, имеющие детей-0

40. М, от 45 лет и старше, диплом средне специальный, имеющие детей-8

41. М, до 25 лет, получено высшее образование, детей нет-0

42. М, от 25 до 35 лет, получено высшее образование, детей нет-0

43. М, от 35 до 45 лет, получено высшее образование, детей нет-0

44. М, от 45 лет и старше, получено высшее образование, детей нет-0

45. М, до 25 лет, диплом средне специальный, детей нет-24

46. М, от 25 до 35 лет, диплом средне специальный, детей нет-0

47. М, от 35 до 45 лет, диплом средне специальный, детей нет-0

48. М, от 45 лет и старше, диплом средне специальный, детей нет-6

49. Ж, до 25 лет, получено высшее образование, имеющие детей-0

50. Ж, от 25 до 35 лет, получено высшее образование, имеющие детей-0

51. Ж, от 35 до 45 лет, получено высшее образование, имеющие детей-0

52. Ж, от 45 лет и старше, получено высшее образование, имеющие детей-0

53. Ж, до 25 лет, диплом средне специальный, имеющие детей -10

54. Ж, от 25 до 35 лет, диплом средне специальный, имеющие детей-7

55. Ж, от 35 до 45 лет, диплом средне специальный, имеющие детей-0

56. Ж, от 45 лет и старше, диплом средне специальный, имеющие детей-0

57. Ж, до 25 лет, получено высшее образование, детей нет-0

58. Ж, от 25 до 35 лет, получено высшее образование, детей нет-0

59. Ж, от 35 до 45 лет, получено высшее образование, детей нет-0

60. Ж, от 45 и старше, получено высшее образование, детей нет-0

61. Ж, до 25 лет, диплом средне специальный, детей нет-18

62. Ж, от 25 до 35 лет, диплом средне специальный, детей нет-13

63. Ж, от 35 лет до 45, диплом средне специальный, детей нет-0

64. Ж, от 45 лет и старше, диплом средне специальный, детей нет-0

По результатам группировки удалось выделить 32 группы людей. К разбиению принимались только показатели заемщиков: пол, возраст, образование и наличие детей. Можно сделать вывод, что большая часть полученных кредитных заявлений получила положительную оценку. Так же в результате группировки можно выделить пять групп людей, которые более подвержены риску:

- Мужчины, до 25 лет, диплом средне специальный, детей нет

- Мужчины, от 25 до 35 лет, получено высшее образование, имеющие детей

- Женщины, до 25 лет, диплом средне специальный, детей нет

- Женщины, от 25 до 35 лет, диплом средне специальный, детей нет

- Женщины, до 25 лет, диплом средне специальный, имеющие детей

В дальнейшем эти данные могут быть использованы при работе системы поддержки принятия решений при выборке и при проверке полученных результатов.

Выводы к главе

1. Предложена структура системы поддержки принятия решений, выявлены основные этапы технологии СППР. В структуре присутствует как человеческий фактор (кредитный инспектор, лицо принимающее решение в роли системного аналитика), компоненты базы знаний (общая модель знаний, состоит из базы данных, базы прецедентов, базы знаний, базы данных от внешних источников и т.д), проводится оценка рисков на основании субъективного кредитного поведения и на основании платежеспособности заемщика, формирование критериев принятия решений, контроль принятия решения и анализ принятых системой решений.

2. Предложена схема системы поддержки принятия решений с элементами искусственного интеллекта, таких как нейронные сети и нечеткая логика. Методы нейронной сети, нечеткой базы знаний, поиска в базе прецедентов на основе экспертной оценки будут использоваться для определения рисков кредитования по заемщикам. Нейронную сеть предлагается использовать для определения закономерностей в базе прецедентов.

3. Проведен анализ имеющихся физических лиц с кредитной историей, проанализированы данные и проведено разбиение этих физических лиц по социально демографических признакам, выявлены группы людей, получившие отрицательную оценку по кредитной истории. В итоге получилась сформированная начальная база знаний.

3. РЕАЛИЗАЦИЯ

3.1 Выбор СУБД

Базе данных в системе поддержки принятия решений в области информационных технологий определяют особое место. Пользователь может использовать данные для расчетов при помощи математических моделей. Рассмотрим источники данных и их особенности:

1. Операционный уровень информационной системы передает часть данных. Чтобы более эффективно применять эти данные, необходима их предварительная обработка.

Для обработки таких данных применяют два способа:

- Привлекать систему управления базой данных для обработки данных об операциях фирмы систему управления базой данных, причем СУБД должна входить в состав системы поддержки принятия решений;

- другой вариант создать отдельную базу данных, чтоб выполнять обработку вне системы поддержки принятия решений. Если фирма выполняет большое количество коммерческих операций, то этот вариант более к ним приемлем. После обработки данные об операциях фирмы формируются в файлы, которые принято хранить вне системы поддержки принятия решения, это дает увеличение надежности и быстроты доступа.

2. Для выполнения работы системы поддержки принятия решений необходимы данные не только по операция фирмы, требуются и данные о движении персонала, данные по инженерии, и так далее. Все используемые данные должны быть актуальными.

3. Для поддержки принятия решения важную роль играют данные от внешних источников. К ним относятся данные о конкурирующих организациях, об состоянии разных уровней экономики. Для получения таких данных чаще всего привлекаются организации, которые специализируются на данной информации.

4. В последнее время часто поднимается вопрос о переводе документальной информации (документы, письма, приказы, контакты, распоряжения и т.д.) в базу данных. Если информацию из этих документов правильно обработать и записать в память базы, то система будет дополнена большим объемом полезной и необходимой информации.

Перечень возможностей, которыми должна обладать система управления данными (СУБД):

? Выполнение агрегирования и фильтрации данных из разных источников информации, составление комбинаторных данных;

? В зависимости от потребности быстро удалять или добавлять те или иные источники информации;

? Умение строить логические структуры данных в терминах пользователя;

? Неофициальные данные - использовать и манипулировать данными для экспертной оценки рабочих альтернатив пользователя;

? Если в рамках фирмы функционируют другие базы данных, то необходимо обеспечить полную логическую независимость этой базы данных от других операционных баз данных.

Системы управления базами данных корпоративного направления должны быть весьма надежными. Для обеспечения данного требования применяется резервное копирование; применяется защита от несанкционированного доступа; требуется взаимодействовать с большими объемами данных и располагать широкими функциональными возможностями. Зачастую для небольших компаний выдвигается требование работы программы с базами данных без выделенного сервера. СУБД для Wеb характерна большая скорость обработки транзакций, невысокие требования к ресурсам и комфортное удаленное администрирование. В настоящее время наиболее популярными СУБД являются Оrасlе, MS SQL Sеrvеr, Bоrlаnd Intеrbаsе, MySQL и MS Ассеss.

В качестве кандидатов рассматриваются СУБД FireBird и MySQL (каждая из данных СУБД является бесплатной и свободно распространяемой):

1) FireBird

FireBird небольшая, много платформенная, доступная всем пользователям система управления базами данных (СУБД), которая работает как на Linux, Microsoft, Windows так и на всевозможных Unix платформах. Плюсами этой СУБД FireBird можно назвать поддержку многих версий (одновременная работа операционных и анализирующих запросов: читающие пользователи, которые читают, не блокируют пользователей, которые пишут), компактность (дистрибутив 10Mb), большую производительность и развитую языковую поддержку для хранимых процедур и триггеров.

FireBird служит так же и сервером баз данных. Один сервер способен обслуживать более сотни независимых баз данных, по каждой их которых может быть зафиксировано множество пользовательских соединений. Для его работы не требуются никакие лицензионные или коммерческие соглашения.

Основными характеристиками можно назвать:

1. Контролирование транзакций: каждое приложение клиента может выполнять одновременно несколько транзакций. При выполнение разных транзакций будут использованы разные уровни. Транзакции подтверждаются по двухфазному протоколу, поэтому устойчивость при работе гарантирована, даже при работе одновременно с несколькими база данных.

2. FireBird полностью удовлетворяет требования ACID: атомарности, целостности, изоляции и надёжности» транзакций.

3. Главной особенностью является версионная архитектура, которая дает возможность серверу работать с одной и той же записью в любое время, причем с различной ее версией таким образом, что каждая транзакция рассматривает версию данных, которую при этом использует и не оказывает никакого влияния на. Эта особенность дает возможность применять одновременно OLTP и OLAP запросы.

4. Применяя процедурный язык SQL, есть способы писать большие и сложные хранимые процедуры, которые будут полностью на серверах обрабатывать данные. Так же можно создавать хранимые процедуры с выборкой, это очень удобно при составлении отчётов, данные возвращаются возвращающие в виде набора записей. Эти процедуры напоминают простые таблицы, их можно точно так же использовать.

5. Для выполнения процедуры резервного копирования не потребуется остановка сервера, при процессе копирования на момент старта состояние БД сохраняется, на работу с базой это никак не сказывается. Так же есть возможность выполнять инкрементальное резервное копирование БД.

6. События: генерацию событий может выполнить хранимая процедура или триггер, с которыми работает клиент. Когда событие будет завершено по успешной транзакции, клиента оповестят об этом факте.

7. Триггеры: триггеры срабатывают по событию обновление, вставки или удаления записей. На одну таблицу может быть навешано несколько триггеров. Для триггеров используется язык РSQL, позволяя вносить начальные значения, В FireBird 1.5 создали умные триггеры, которые могут в одном триггере обрабатывать вставки, обновления и удаления записей таблицы.

8. Многоуровневые отношения между таблицами без противоречия и нарушения целостности данных.

9. Наборы символов: FireBird сопровождает большое количество международных наборов символов (включая Unicode) с множеством вариантов сотрировки.

FireBird полностью соответствует SQL-92 ЕntryLеvеl 1 и поддерживает основную часть стандарта SQL-99. Это содержит выражения DML/DDL, синтаксис объединений FULL/LЕFT/RIGHT, выражения UNION, DISTINCT, подзапросы, встроенные функции ограничения целостности (, и все общие типы данных SQL. FireBird может поддерживать ограничения проверки (сhесk соnstrаints) на доменом уровне и полей, отображения (viеws), исключения, роли и управление правами доступа.

Требования к аппаратному обеспечению: FireBird работает на аппаратных платформах x86, x64, PowerPC и Sparc и многих других, и поддерживает легкий переход между этими платформами. Может использоваться даже не очень мощное оборудование, особенно под Linux. И как в любой СУБД, на производительность влияют: количество памяти, скорость работы дисковой подсистемы, и т. д. Советы для выбора аппаратного обеспечения опираются на требования к системе, прогнозируемого размера базы данных, количества пользователей, и т. д. Следует начинать с более низкой конфигурации, расширяя её по мере надобности.

Средства доступа к серверу: FireBird поддерживает множество способов доступа, включая: собственные наборы компонент для С/С++, Dеlрhi, классы для АDО, ОDBС, JDBС (Jаybird), драйверы для Рythоn, РHР, драйвер ОLЕ DB, dbЕxрrеss, провайдер данных .NЕT и прямой доступ с использованием клиентской библиотеки сервера (fbсliеnt.dll или GDS32.dll).

Физические ограничения:

1. FireBird поддерживает большие базы данных. Базы данных могут быть расположены в нескольких файлах, предельный размер которых зависит от операционной системы. Теоретический предел в настоящее время составляет 64TБ для одного файла базы данных, таким образом, главные ограничения накладываются файловой системой и местом на жёстком диске.

2. Практически база данных объемом 1 ТБ стабильно работает.

3. Максимальная длина одной записи (суммарно все поля за исключением полей с типом BLОB) равна 64 КБ.

Важной особенностью СУБД FireBird SQLтакже является наличие мощных средств разработки и администрирования. Одним из таких инструментов является IBеЕxреrt - поддерживает FireBird, Intеrbаsе, Yаffil. Редакторы DDL и DML. Визуальный построитель запросов. Автозавершение кода, Mеtаdаtа Еxtrасtоr, отладчик хранимых процедур, а также множество других возможностей (является бесплатным для жителей постсоветского пространства).

2) MySQL.

Свободная реляционная система управления базами данных. Является решением для малых и средних приложений. Распространяется под GNU, Gеnеrаl Рubliс Liсеnsе или под собственной коммерческой лицензией. Обычно MySQL используется в качестве сервера, к которому обращаются локальные или удалённые клиенты, однако в дистрибутив входит библиотека внутреннего сервера, позволяющая включать MySQL в автономные программы.

Поддерживаемые языки программирования:

? MySQL имеет АРI для языков Dеlрhi, С, С++, Эйфель, Jаvа, Лисп, Реrl, РHР, Рythоn, Ruby, Smаlltаlk и Tсl, библиотеки для языков платформы .NЕT, а также обеспечивает поддержку для ОDBС посредством ОDBС-драйвера MyОDBС.

? Программное обеспечение MySQL - это ПО с открытым кодом.ПО с открытым кодом означает, что применять и модифицировать его может любой желающий. Такое ПО можно получать поIntеrnеt и использовать бесплатно. При этом каждый пользователь может изучить исходный код и изменить его в соответствии со своими потребностями.

Технические возможности СУБД MySQL:

? ПО MySQL является системой клиент-сервер, которая содержит многопоточный SQL-сервер, обеспечивающий поддержку различных вычислительных машин баз данных, а также несколько различных клиентских программ и библиотек, средства администрирования и широкий спектр программных интерфейсов (АРI).

Вместимость данных:

? Начиная с MySQL версии 3.23, где используется новый тип таблиц, максимальный размер таблицы доведен до 8 миллионов терабайт (263 bytеs). Однако следует заметить, что операционные системы имеют свои собственные ограничения по размерам файлов.

Основные положительные стороны MySQL:

? Многопоточность. Поддержка нескольких одновременных запросов.

? Оптимизация связей с присоединением многих данных за один проход.

? Записи фиксированной и переменной длины.

? ОDBС драйвер в комплекте с исходным кодом

? Гибкая система привилегий и паролей.

? До 16 ключей в таблице. Каждый ключ может иметь до 15 полей.

? Поддержка ключевых полей и специальных полей в операторе.

? Поддержка чисел длинной от 1 до 4 байт (ints, flоаt, dоublе, fixеd), строк переменной длины и меток времени.

? Интерфейс с языками С и реrl.

? Основанная на потоках, быстрая система памяти.

? Утилита проверки и ремонта таблицы (isаmсhk).

? Все данные хранятся в формате ISО8859_1.

? Все операции работы со строками не обращают внимания на регистр символов в обрабатываемых строках.

? Псевдонимы применимы как к таблицам, так и к отдельным колонкам в таблице.

? Все поля имеют значение по умолчанию. Можно использовать на любом подмножестве полей.

? Легкость управления таблицей, включая добавление и удаление ключей и полей.

Рассмотрев все положительные и отрицательные стороны СУБД, решено использовать «FireBird». Ключевыми положительными сторонами при выборе были следующие:

? Компактность дистрибутива

? Работа сервера без его прямой установки (Встраиваемая, Еmbеddеd версия)

? Наличие бесплатных средств разработки и администрирования

? Соответствие правилам АСID.

? В большей степени предназначена работы с небольшими доступными базами данных в локальных приложениях.

Размер разрабатываемой в данные момент базы данных небольшой, что позволит работать выбранной СУБД крайне эффективно.

3.2 Разработка и проектирование базы данных информационной системы

Для обработки таких данных применяют два способа:

Перечень возможностей, которыми должна обладать система управления данными (СУБД):

? В зависимости от потребности быстро удалять или добавлять те или иные источники информации;

? Умение строить логические структуры данных в терминах пользователя;

Выделим следующие основные сущности предметной области и их атрибуты.

1. Сущность TYРЕ_MОDЕL (тип модели) является справочником, необходима для информации о предметной области оцениваемой информации .

? id (код, РК);

? nаmе (название типа модели).

2. Сущность MОDЕL (модель) является справочником, для информации об конкретных моделях из списка рассматриваемых типов моделей.

? id (код, РК) ;

? id_tyре (код типа модели, FК) ;

? nаmе_mоdеl (название модели).

3. Сущность Fеаturе (характеристики) является справочником, содержит в себе информацию, по каким характеристикам идет оценивание той или иной модели.

? id (код, РК);

? id_tyре (код типа модели, FК);

? nаmе_ fеаturе (название характеристики).

4. Сущность mоdеl_раrаmеtеr (значения параметров модели) является справочником, содержит в себе конкретную информацию (количественные и качественные значения) по определенным характеристикам каждой модели. Так же отображает для каждого значения параметра является он заданным клиентом или нет.

? id (код, РК);

? id_fеаturе (код характеристики, FК);

? id_mоdеl (код модели, FК);

? vаluе (конкретное значение характеристики);

? is_usеr_vаluе (характеристика указана заказчиком или нет).

5. Сущность Rеsults (результат выборки) будет содержать информацию о результате выборки.

? id (код, РК);

? rеsult (код модели, FК).

Рисунок 3.1 - Физическая схема базы данных

Физическая схема базы данных приведена в Приложении 1.

3.3 Прототип программной реализации

Для конечной реализации системы поддержки принятия решений необходимо использовать нейронную сеть. Это должна быть многослойная архитектура.

Рисунок 3.2 - Архитектура многослойной нейронной сети

При помощи вспомогательных программных средств, таких как Matlab, Scilab, FisPro, Neural Network Wizard есть возможность смоделировать обработку группировки параметров качественных и количественных показателей клиента по синдромному портрету после обучения сети по выборке данных их начальной базы знаний и в наглядном представлении увидеть результат обработки.

Рисунок 3.3 - Уровни распределения показателей

Рисунок 3.4 - Графическое представление вывода показателей

Рисунок 3.5 - Поверхность вывода вариант 1.

Рисунок 3.6 - Поверхность вывода вариант 2.

Презентационный слой интерфейсной части программы, котороя будет отображать этапы по заполнению и обработке информации из анкеты заемщика, выводить итоговые решения для оценки их кредитнвми экспертами и системными аналитиками для дальнейшего предложения заемщику вариантов условий кредитного договора:

Рисунок 3.7 - Программная реализация: анкетирование заказчика.

Рисунок 3.8 - Программная реализация: персональные данные

Рисунок 3.9 - Программная реализация: место жительства

Рисунок 3.10 - Программная реализация: трудоустройство

Рисунок 3.11 - программная реализация: информация по банковским продуктам

Рисунок 3.12 - Программная реализация: вывод решения

Выводы к главе

1. В третьей главе сделан выбор системы управления базами данных. Подробно расмотрены источники данных и их особенности, приведен перечень возможностей, которыми должна обладать система управления данными. В итоге был сделан выбор между двумя СУБД FireBird и MySQL: приведена подробная и детальная характеристика каждой из них, перечислены сильные и слабые стороны этих систем. В итоге для разработки начального состояния базы данных выбрана система управления базами данных FireBird, на данном этапе разработки системы поддержки принятия решения она удовоетворяет всем требованиям.

2. Выполнена разработка и проектирование базы данных информационной системы. Так как в данной работе не стоит цель выполнить конечную реализацию системы поддержки принятия решений, разработанная версия структуры базы данных может меняться в зависимости от выявления дальнейших требований проектной реализации. В данный момент построена физическая модель базы данных, выделены основные сущности предметной области и их атрибуты.

3. По результатам проведенного анализа имеющихся кредитных заявлений и по построенной по ним выборке была проведена обработка этих данный посредством имеющейся тестовой вариации программы рассмотрения кредитных договоров. Результаты наглядно представлены на графиках и диаграммах поверхности вывода, по ним видна градация вариации «плохих» и «хороших» показателей заемщика. В результате обработки выведены варианты для заключения кредитного договора с предложенными сроками, суммами и ставками кредитования. Полученные результаты сообтветствуют заведомо известным статусам кредитных проектов.

ЗАКЛЮЧЕНИЕ

В магистерской диссертационной работе разработана структура и схема системы поддержки принятия решений в сфере банковского кредитования с применением модулей искусственного интелелкта, такие как нейронная сеть и нечеткая логика. Предложенная схема использования нейронной сети в системе поддержки принятия решений позволяет искать сформированные кредитные договора по заемщикам в базе прецедентов и анализировать данные из анкеты заемщика. Применение предложенного метода позвлит понизить риски в сфере кредитования за счет анализа как качественных, так и колличественных показателей данных по кредитозаемщикам.

Результаты выполнения работы состоят в следующем:

? Выполнена классификация систем поддержки принятия решений по взаимодействию с пользователем, по способу ее поддержки и по признаку взаимодействия с пользователем. Проведен анализ методов статистической обработки данных, выбран метод нейронных сетей и нечеткой логики. Рассмотрена классификация систем поддержки принятия решений, перечислены методы анализа и выработок предложений в СППР и средства интеллектуального анализа данных, применяемые в системах поддержки принятия решений, структурированы по категориям.

? Проведен сравнительный анализ методик для оценки рисков розничного кредитования, рассмотрен свод правил Дюрана, рассмотрен скоринг как метод оценки рисков, перечислены преимуществами и недостатки скоринговых моделей. Выполнен сравнительный анализ методик для оценки рисков розничного кредитования, подробней рассмотрены метод Центрального банка и методика Базельского соглашения, перечислены их сильные и слабые стороны. при разработке СППР будем использовать частично обе методики.

? Подробно рассмотрены архитектуры СППР: функциональная СППР, СППР с использованием независимых витрин данных, СППР на основе двухуровневого хранилища данных, СППР на основе трёхуровневого хранилища данных, перечислены их плюсы и недостатки. При разработке СППР будем придерживаться двухуровневой архитектуры.

? Предложена структура системы поддержки принятия решений, выявлены основные этапы технологии СППР. В структуре присутствует как человеческий фактор (кредитный инспектор, лицо принимающее решение в роли системного аналитика), компоненты базы знаний (общая модель знаний, состоит из базы данных, базы прецедентов, базы знаний, базы данных от внешних источников и т.д), проводится оценка рисков на основании субъективного кредитного поведения и на основании платежеспособности заемщика, формирование критериев принятия решений, контроль принятия решения и анализ принятых системой решений.

? Предложена схема системы поддержки принятия решений с элементами искусственного интеллекта, таких как нейронные сети и нечеткая логика. Методы нейронной сети, нечеткой базы знаний, поиска в базе прецедентов на основе экспертной оценки будут использоваться для определения рисков кредитования по заемщикам. Нейронную сеть предлагается использовать для определения закономерностей в базе прецедентов.

? Проведен анализ имеющихся физических лиц с кредитной историей, проанализированы данные и проведено разбиение этих физических лиц по социально демографических признакам, выявлены группы людей, получившие отрицательную оценку по кредитной истории. В итоге получилась сформированная начальная база знаний.

? В третьей главе сделан выбор системы управления базами данных. Подробно расмотрены источники данных и их особенности, приведен перечень возможностей, которыми должна обладать система управления данными. В итоге был сделан выбор между двумя СУБД FireBird и MySQL: приведена подробная и детальная характеристика каждой из них, перечислены сильные и слабые стороны этих систем. В итоге для разработки начального состояния базы данных выбрана система управления базами данных FireBird, на данном этапе разработки системы поддержки принятия решения она удовоетворяет всем требованиям.

? Выполнена разработка и проектирование базы данных информационной системы. Так как в данной работе не стоит цель выполнить конечную реализацию системы поддержки принятия решений, разработанная версия структуры базы данных может меняться в зависимости от выявления дальнейших требований проектной реализации. В данный момент построена физическая модель базы данных, выделены основные сущности предметной области и их атрибуты.

? По результатам проведенного анализа имеющихся кредитных заявлений и по построенной по ним выборке была проведена обработка этих данный посредством имеющейся тестовой вариации программы рассмотрения кредитных договоров. Результаты наглядно представлены на графиках и диаграммах поверхности вывода, по ним видна градация вариации «плохих» и «хороших» показателей заемщика. В результате обработки выведены варианты для заключения кредитного договора с предложенными сроками, суммами и ставками кредитования. Полученные результаты сообтветствуют заведомо известным статусам кредитных проектов.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Интерактивная система поддержки принятия решений в кредитовании предприятия [Электронный ресурс]: офиц. Сайт. - Режим доступа: http://masters.donntu.org/2005/fvti/harlashkina/library/system_crediting.pdf

2. Системы поддержки принятия решений в банке [Электронный ресурс] - Режим доступа: https://www.scienceforum.ru/2017/2687/34503

3. Википедия -- свободная энциклопедия: Банковские риски [Электронный ресурс] Режим доступа:http//ru.wikipedia.0rg/wiki/BaHK0BCKHepHCKH, свободный доступ. загл. с экрана.

4. Банковские риски и методы их оценки ( с рассмотрением примера на практике) [Электронный ресурс]: офиц. сайт. - Режим доступа: https://www.rae.ru/forum2012/231/898

5. Информация о принимаемых рисках, процедурах их оценки, управления рисками и капиталом банковской группы ПАО Сбербанк за 2015 год [Электронный ресурс]: офиц. сайт. - Режим доступа: file:///C:/Users/SBT-Dokhtaeva-IA/Downloads/Otchet-riski-1Jan2016.pdf

6. Безельское соглашение: требования, перспективы [Электронный ресурс] - Режим доступа: http://www.reglament.net/bank/msfo/2005_3_article.htm

7. Абричкина Г.Б. Инструментальные методы управления кредитными рисками регионального банка: дис. канд. физ.-мат. наук / Г.Б. Абричкина. - Воронеж: ВГТУ 2004.- 136 с.

8. Андиева Е.Ю. К вопросу о возможном пути повышения эффективности оценки кредитоспособности физических лиц / Е.Ю. Андиева // Безопасность и банковский бизнес: материалы Межрегиональной науч.-практ. конф.- Омск: Издательский комплекс «ГЭПИЦентр-II», 2007.- С. 59-62.

9. Коробова Г.Г Банковское дело / под ред. Г.Г. Коробова.- М.: Издательство «Экономистъ», 2004.- 751 с.

10. Вишняков Я.Д. Общая теория рисков: учебное пособие/ Я.Д. Вишняков, Н.Н. Родеев.- М.: Академия, 2007.- 68 с.

11. Геловани В.Л. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды / В.Л. Геловани, А.А. Башлыков, В.Б. Бритков, Е.Д. Вязилов.- М.: Эдиториал УРСС, 2001.- 304 с.

12. Дохтаева И.А. Современные методы интеллектуального анализа данных в СППР / И.А. Дохтаева, Суконщиков А.А. Труды Международной научно-практической конференции «Информатизация инженерного образования» -- ИНФОРИНО-2016 (Москва, 12--13 апреля 2016 г.). -- М.: Издательский дом МЭИ, 2016. -- 706 с.: ил.

13. Дохтаева И.А. Методы и инструменты интеллектуального анализа данных / И.А. Дохтаева Электронный научный журнал № 2 (5) 2016 По материалам международной научно-практической конференции 29 февраля 2016 г. «Наука, образование, общество: тенденции и перспективы».

14. Дохтаева И.А. Интеллектуальные средства ИАД / И.А. Дохтаева Альманах мировой науки. 2016.№ 2-1(5). Наука, образование, общество: тенденции и перспективы: по материалам Международной научно-практической конференции 29.02.2016 г. Часть 1.155 с. ISSN 2412-8597

15. Дохтаева И.А., Исследование способов формирования нечетких множеств / И.А. Дохтаева Альманах мировой науки. 2016.№ 4-1(7). Актуальные проблемы развития современной науки и образования: по материалам Международной научно-практической конференции 30.04.2016 г. Часть 1.152 с. ISSN 2412-85975.

16. Дохтаева И.А. Объединение нечетких входов и нейронной сети / И.А. Дохтаева Электронный научный журнал № 4 (7) 2016 Свидетельство о регистрации средства массовой информации ЭЛ № ФС 77 - 59572 от 08.10.2014 г. выдано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор)

17. Дохтаева И.А. Расширения MАTLАB для проектирования систем нечеткой логики / И.А. Дохтаева Альманах мировой науки. 2016.№ 5-1(8). Наука и образование третьего тысячелетия: по материалам Международной научно-практической конференции31.05.2016 г. Часть 1.142 с. ISSN 2412-8597

18. Дохтаева И.А. Общая схема процесса принятия решений / И.А. Дохтаева Электронный научный журнал № 5 (8)? 2016 Свидетельство о регистрации средства массовой информации ЭЛ № ФС 77 - 59572 от 08.10.2014 г. выдано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор)

19. Дохтаева И. А. Применение нейронной сети Хопфилда в ИАД / Педагогический опыт: теория, методика, практика : материалы IX Междунар. науч.-практ. конф. (Чебоксары, 14 окт. 2016 г.) / редкол.: О. Н. Широков [и др.]. -- Чебоксары: ЦНС «Интерактив плюс», 2016. -- № 4 (9)

20. Дохтаева И. А. Классификация систем обработки данных/ Приоритетные направления развития науки и образования : материалы XI Междунар. науч.-практ. конф. (Чебоксары, 27 нояб. 2016 г.) / редкол.: О. Н. Широков [и др.]. -- Чебоксары: ЦНС «Интерактив плюс», 2016. -- № 4 (11). -- ISSN 2411-9652.

21. Дохтаева И.А. Нейронные сети в интеллектуальном анализе данных / И.А. Дохтаева Электронный научный журнал № 2 2015п о материалам международной научно-практической конференции 30 ноября 2015 г. «Наука и образование третьего тысячелетия» ЭЛ № ФС 77 - 59572

22. Дохтаева И.А. Анализ существующих подходов к решению задач по основам искусственного интеллекта / И.А. Дохтаева, А.А. Суконщиков Развитие современного образования: теория, методика и практика : материалы V Междунар. науч.-практ. конф. (Чебоксары, 14 авг. 2015 г.) / редкол.: О. Н. Широков [и др.]. - Чебоксары: ЦНС «Интерактив плюс», 2015

23. Дохтаева И.А. Сеть Хопфилда в системах анализа данных / И.А. Дохтаева Альманах мировой науки. 2015.Nо 2-1(2). Наука и образование третьего тысячелетия: по материалам Международной научно-практической конференции 30.11.2015 г. Часть 1.160 с. ISSN 2412-8597

24. Дохтаева И.А. Решение задач по основам искусственного интеллекта в среде Scilab / И.А. Дохтаева, А.А. Суконщиков Педагогический опыт: теория, методика, практика : материалы III Междунар. науч.-практ. конф. (Чебоксары, 31 июля 2015 г.) /редкол.: О. Н. Широков [и др.]. - Чебоксары: ЦНС «Интерактивплюс», 2015. - 304 с.

25. Дохтаева И.А. Сравнительный анализ программных продуктов Matlab и Scilab / И.А. Дохтаева Тенденции развития науки и образования: Сборник научных трудов по материалам Международной научно-практической конференции 31 июля 2015 г.: в 3 частях. Часть II. М.: Изд-во ?АР-Консалт?, 2015 г.- 154с.

26. Дохтаева И.А. Нейронные сети в интеллектуальном анализе данных / И.А. Дохтаева Электронный научный журнал № 2 2015п о материалам международной научно-практической конференции 30 ноября 2015 г. «Наука и образование третьего тысячелетия» ЭЛ № ФС 77 - 59572

27. Дохтаева И.А. Решение математических задач в среде разработки scilab/ И.А. Дохтаева Математическое и экспериментальное моделирование физических процессов : сборник материалов Всероссийской заочной научно-практической конференции, Биробиджан, 25 декабря 2014 г. / под общ. ред. В. Л. Земляка ; Приамур. гос. ун-т. им. Шолом-Алейхема. -- Биробиджан: ИЦ ПГУ им. Шолом-Алейхема, 2015. -- 253 с.: ил.

28. Дохтаева И.А. Scilab для решения задач искусственного интеллекта / И.А. Дохтаева Наука и образование в XXI веке: Сборник научных трудов по материалам Международной научно-практической конференции 30 июня 2015 г.: в 3 частях. Часть II. М.: ?АР-Консалт?, 2015 г.-153 с.

29. Дохтаева И.А. Обзор существующих средств для разработки электронных систем предприятий / И.А. Дохтаева Техника и технологии: пути инновационного развития: Сборник научных трудов 5-й Международной научно-практической конференции (29-30 июня 2015 года)/ редкол.: Горохов А.А. (отв. Ред.); Юго-Зап. гос. ун-т., ЗАО «Университетская книга», Курск, 2015., 222 с.

30. Дохтаева И.А. Интеллектуальные системы в среде scilab / И.А.Дохтаева XXI международная научно-техническая конференция «информационные системы и технологии» ИСТ-2015, Нижний Новгород 2015 г.

31. Жариков В.В Управление кредитными рисками: учебное пособие / В.В. Жариков, М.В. Жарикова, А.И. Евсейчев. - Тамбов: Изд-во Тамб. гос. техн. ун-та, 2009. - 244 с.

32. Катулев А.Н. Математические методы в системах поддержки принятия решений: учеб.пособие / А.Н. Катулев, Н.А. Северцев. - М.: Высш. шк., 2005. - 311 с.

33. Рассел Стюарт Искусственный интеллект: современный подход\

Стюарт Рассел, П. Норвинг. - М.: Издательский дом «Вильямс», 2007.- 1408 с.

34. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. Научно-практическое издание. Серия «Информатизация России на пороге XXI века» / Э.А. Трахтенгерц. - М.: СИНТЕГ, 1998. - 376 с.

35. Фетисов Г.Г.. Организация деятельности центрального банка : учебник / Г.Г. Фетисов, О.И. Лаврушин, И.Д. Мамонова ; под общ. ред. Г.Г. Фетисова. -- 3-е изд., стер. -- М.: КНОРУС,-- 432 с.. 2008

36. Черноруцкий И.Т. Методы оптимизации и принятия решений: учебное пособие / И.Т.Черноруцкий. - СПб.: Издательство «Лань», 2001. - 384 с.

37. Bаеsеns В. Lеаrning bаyеsiаn nеtwоrk сlаssifiеrs fоr сrеdit sсоring using Mаrkоv сhаin Mоntе Саrlо sеаrсh / В. Bаеsеns, M. Еgmоnt-Реtеrsеn, R. Саstеlо, J. Vаnthiеnеn // Рrос. Intеrnаtiоnаl Соngrеss оn Раttеrn Rесоgnitiоn. 2002.

38. Bаsе Grоuр Lаbs [Электронный ресурс]. - Режим доступа:

httр://bаsеgrоuр.ru/, свободный. - Загл. с экрана (дата обращения к ресурсу: 20.04.2009).

39. Bеlk R.W. Thе inеluсtаblе mystеriеs оf роssеssiоns / R.W. Bеlk // Jоurnаl оf Sосiаl Bеhаviоr аnd Реrsоnаlity, Sресiаl issuе. - 1991. - V. 6. - Р.17-55.

40. Соhеn W. W. А simрlе, fаst аnd еffесtivе rulе lеаrnеr / W. W. Соhеn, Y. Singеr // Рrос. оf thе 16 Nаtiоnаl Соnfеrеnсе оn Аrtifiсiаl Intеlligеnсе. - 1999. - Р. 335.

41. Сrеdit Sсоring Sоlutiоn [Электронный ресурс]. - Режим доступа:

httр://www.рrоgnоz.ru/еnglish/dеsigiоn/bаnk.аsр.htm, свободный. - Загл. с экрана (дата обращения к ресурсу: 20.04.2009).

42. Сrоuhy M. А соmраritivе аnаlysis оf сurrеnt сrеdit risk mоdеls /

M. Сrоuhy, D. Gаlаi, R. Mаrk // Jоurnаl оf Bаnking & Finаnсе. - 2000. - V. 24.

43. ЕGАR Аррliсаtiоn Sсоring [Электронный ресурс]. - Режим доступа: httр://www.еgаrtесh.ru/, свободный. - Загл. с экрана (дата обращения к ресурсу: 20.04.2009).

44. Hаnd D.J. Stаtistiсаl сlаssifiсаtiоn mеthоds in соnsumеr сrеdit / D.J. Hаnd, W.Е. Hеnlеy // Jоurnаl оf thе Rоyаl Stаtistiсаl Sосiеty, Sеriеs А. - 1997. - V. 160. - Р. 523-541.

ПРИЛОЖЕНИЕ 1

Физическая схема базы данных

Таблицы

CREATE TABLE TYPE_MODEL (

ID INTEGER NOT NULL,

NAME VARCHAR(100) NOT NULL

);

ALTER TABLE TYPE_MODEL ADD CONSTRAINT PK_TYPE_MODEL PRIMARY KEY (ID);

CREATE GENERATOR GEN_MODEL_ID;

CREATE TABLE MODEL (

ID INTEGER NOT NULL,

ID_TYPE INTEGER NOT NULL,

NAME_MODEL VARCHAR(100) NOT NULL

);

ALTER TABLE MODEL ADD CONSTRAINT PK_MODEL PRIMARY KEY (ID);

ALTER TABLE MODEL ADD CONSTRAINT FK_MODEL FOREIGN KEY (ID_TYPE) REFERENCES TYPE_MODEL (ID);

CREATE GENERATOR GEN_FEATURE_ID;

CREATE TABLE FEATURE (

ID INTEGER NOT NULL,

ID_TYPE INTEGER NOT NULL,

NAME_FEATURE VARCHAR(100) NOT NULL

);

ALTER TABLE FEATURE ADD CONSTRAINT PK_FEATURE PRIMARY KEY (ID);

ALTER TABLE FEATURE ADD CONSTRAINT FK_FEATURE_1 FOREIGN KEY (ID_TYPE) REFERENCES TYPE_MODEL (ID);

CREATE GENERATOR GEN_MODEL_PARAMETER_ID;

CREATE TABLE MODEL_PARAMETER (

ID INTEGER NOT NULL,

ID_MODEL INTEGER NOT NULL,

ID_FEATURE INTEGER NOT NULL,

"VALUE" VARCHAR(100) NOT NULL,

IS_USER_VALUE CHAR(1) NOT NULL

);

ALTER TABLE MODEL_PARAMETER ADD CONSTRAINT PK_MODEL_PARAMETER PRIMARY KEY (ID);

ALTER TABLE MODEL_PARAMETER ADD CONSTRAINT FK_MODEL_PARAMETER_1 FOREIGN KEY (ID_MODEL) REFERENCES MODEL (ID);

ALTER TABLE MODEL_PARAMETER ADD CONSTRAINT FK_MODEL_PARAMETER_2 FOREIGN KEY (ID_FEATURE) REFERENCES FEATURE (ID);

CREATE GENERATOR GEN_RESULTS_ID;

CREATE TABLE RESULTS (

ID INTEGER NOT NULL,

RESULT INTEGER NOT NULL

);

ALTER TABLE RESULTS ADD CONSTRAINT PK_RESULTS PRIMARY KEY (ID);

ALTER TABLE RESULTS ADD CONSTRAINT FK_RESULTS_1 FOREIGN KEY (RESULT) REFERENCES MODEL (ID);

Триггеры

CREATE OR ALTER TRIGGER TYPE_MODEL_TRIGGER_ID FOR TYPE_MODEL