دانلود ترجمه مقاله یک سیستم هوش مصنوعی برای پیش بینی عدم پرداخت بدهی مشتری در تجارت الکترونیک

1. مقدمه 2. چارچوب نظری 3. بررسی مقالات 4. خدمات حل ریسک 5. مجموعه داده 6. سازمان و تنظیمات آزمایشی 7. نتایج تجربی 8. نتیجه گیری و پژوهش آتی

چکیده – تعداد رو به رشد سفارشات تجارت الکترونیک منجر به افزایش مدیریت ریسک برای جلوگیری از قصور در پرداخت بدهی می‌ شود. قصور در پرداخت بدهی، عدم موفقیت یک مشتری برای پرداخت یک صورت حساب ظرف 90 روز بعد از وصول است. اغلب، امتیاز دهی اعتباری (CS) برای شناسایی احتمال عدم پرداخت بدهی مشتریان بکار گرفته می‌ شود. CS به طور گسترده ‌ای مورد مطالعه قرار گرفته ‌است و بسیاری از روش های محاسباتی پیشنهاد شده‌ اند. هدف اصلی این کار، توسعه یک مدل CS برای جایگزینی بررسی پیش از ریسک سیستم مدیریت ریسک تجارت الکترونیک، یعنی خدمات حل ریسک (RSS) است که در حال حاضر یکی از بیشترین سیستم‌ های مورد استفاده برای برآورد احتمال عدم پرداخت بدهی مشتریان است. بررسی پیش از ریسک برگرفته از داده‌ ها از فرآیند سفارش استفاده می ‌کند و شامل قواعد مستثنی ساختن و یک مدل کلی CS است. مدل جدید باید کل بررسی پیش از ریسک را جایگزین نماید و باید هم جدا و هم در ادغام با بررسی ریسک اصلی RSS عمل کند. کاربرد برنامه ریزی ژنتیک (GP) برای CS در این مقاله ارایه شده ‌است. این مدل براساس مجموعه داده واقعی ارایه شده توسط یک شرکت ارایه کننده راه حل مالی مشهور آلمانی توسعه یافته است. مجموعه داده‌ ها حاوی درخواست‌ های سفارش پردازش شده توسط RSS می‌ باشند. نتایج نشان می‌ دهد که GP در هر دو مورد دقت طبقه ‌بندی و سود، مدل کلی CS بررسی پیش از ریسک را بهتر به انجام می رساند. GP با چندین روش یادگیری ماشین پیشرفته مانند رگرسیون لجستیک، ماشین های بردار پشتیبان و درختهای تقویت شده، به دقت طبقه بندی رقابتی دست یافته است. علاوه بر این، مدل GP می ‌تواند در ترکیب با بررسی ریسک اصلی RSS برای ایجاد یک مدل حتی با قدرت تمایزی بالاتر مورد استفاده قرار گیرد.

The growing number of e-commerce orders is leading to increased risk management to prevent default in payment. Default in payment is the failure of a customer to settle a bill within 90 days upon receipt. Frequently, credit scoring (CS) is employed to identify customers’ default probability. CS has been widely studied, and many computational methods have been proposed. The primary aim of this work is to develop a CS model to replace the pre-risk check of the e-commerce risk management system Risk Solution Services (RSS), which is currently one of the most used systems to estimate customers’ default probability. The pre-risk check uses data from the order process and includes exclusion rules and a generic CS model. The new model is supposed to replace the whole pre-risk check and has to work both in isolation and in integration with the RSS main risk check. An application of genetic programming (GP) to CS is presented in this paper. The model was developed on a real-world dataset provided by a well-known German financial solutions company. The dataset contains order requests processed by RSS. The results show that GP outperforms the generic CS model of the pre-risk check in both classification accuracy and profit. GP achieved competitive classificatory accuracy with several state-of-the-art machine learning methods, such as logistic regression, support vector machines and boosted trees. Furthermore, the GP model can be used in combination with the RSS main risk check to create a model with even higher discriminatory power.