| Revue: | Revista ingeniería solidaria |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000432971 |
| ISSN: | 2357-6014 |
| Autores: | Rudra Kumar, Madapuri1 Kumar Gunjan, Vinit2 |
| Instituciones: | 1Annamacharya Institute of Technology and Sciences, Department of CSE, Rajampet, Andhra Pradesh. India 2CMR Institute of Technology, Department of Computer Science and Engineering, Hyderabad, Telangana. India |
| Año: | 2020 |
| Periodo: | Ene |
| Volumen: | 16 |
| Número: | 1 |
| País: | Colombia |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en español | El aumento de la potencia informática y el uso más profundo de los sistemas informáticos robustos en el siste-ma financiero impulsa el crecimiento del negocio, mejora la eficiencia operativa de las instituciones financieras y aumenta la efectividad de las soluciones de procesamiento de transacciones utilizadas por las organizacio-nes. El aprendizaje automático está ofreciendo un inmenso potencial en el espacio Fintech para determinar un puntaje de crédito personal. Organizaciones, mediante la aplicación profunda de técnicas de aprendizaje y aprendizaje automático pueden acceder a las personas que no están siendo atendidas por instituciones finan-cieras. Una de las principales ideas sobre el sistema es que los modelos tradicionales de inteligencia bancaria dan soluciones predominantemente por los modelos programados que pueden alinearse con la información y sistemas que utilizan los bancos. Sin embargo, en el caso de los modelos de aprendizaje automático, que se basan en algoritmos de sistemas, se requiere un cálculo más integral. Por lo tanto, se puede defender que los modelos usualmente necesitan tener algunas líneas de decisión en las que el modelo de calibración dinámica se debe simplificar. Tal estructura exige que la calibración dinámica tenga un sistema de árbol de decisión para potenciar cambios de modelo más integrados. Si los sistemas se pueden desarrollar para alinearse con términos más pragmáticos para el análisis, pueden ayudar a mejorar las condiciones de proceso del análisis del perfil del cliente, en el que los modelos de proceso tienen que ser desarrollados para un análisis exhaustivo y pueden brindar una solución sostenible para la gestión del sistema de crédito |
| Resumen en inglés | Increase in computing power and the deeper usage of the robust computing systems in the finan-cial system is propelling the business growth, improving the operational efficiency of the financial institutions, and increasing the effectiveness of the transaction processing solutions used by the organizations.Problem: Despite that the financial institutions are relying on the credit scoring patterns for analyzing the credit worthiness of the clients, still there are many factors that are imminent for improvement in the credit score evaluation patterns. There is need for improving the pattern to enhance the quality of analysis. Objective: Machine learning is offering immense potential in Fintech space and determining a personal credit score. Organizations by applying deep learning and machine learning techniques can tap individuals who are not being serviced by traditional financial institutions.Methodology: One of the major insights into the system is that the traditional models of banking intelligence solutions are predominantly the programmed models that can align with the information and banking systems that are used by the banks. But in the case of the machine-learning models that rely on algorithmic systems require more integral computation which is intrinsic. Hence, it can be advocated that the models usually need to have some decision lines wherein the dynamic calibration model must be streamlined. Such structure demands the dynamic calibration to have a decision tree system to empower with more integrated model changes. Results: The test analysis of the proposed machine learning model indicates effective and enhanced analysis process compared to the non-machine learning solutions. The model in terms of using various classifiers indicate potential ways in which the solution can be significant. Conclusion: If the systems can be developed to align with more pragmatic terms for analysis, it can help in improving the |
| Disciplinas: | Economía, Ciencias de la computación |
| Palabras clave: | Banca, Procesamiento de datos, Historial crediticio, Evaluación de solvencia, Aprendizaje de máquinas |
| Keyword: | Banks, Data processing, Credit score, Creditworthiness evaluation, Machine learning |
| Texte intégral: | https://revistas.ucc.edu.co/index.php/in/article/view/3087/2816 |
