Вариант № 1, 4, 8, 15, 17, 20

Постройте многомерный отчет и кросс-диаграмму распределения по целям кредитования. Постройте модель дерева решений для оценки кредитоспособности заемщика по 5 измерениям и фактам (обосновать их выбор).

Вариант № 2, 3, 6, 11, 14, 18

Постройте многомерный отчет и кросс-диаграмму распределения заемщиков по возрастным группам. Постройте модель дерева решений для оценки кредитоспособности по 7 измерениям и фактам (обосновать их выбор).

Вариант № 5, 7, 13, 19, 21, 25

Постройте многомерный отчет и кросс-диаграмму распределения заемщиков по половому признаку и наличию/отсутствию транспортного средства. Постройте модель дерева решений для оценки кредитоспособности по 8 измерениям и фактам (обосновать их выбор).

Вариант № 10, 12, 16, 22, 25, 27

Постройте многомерный отчет и кросс-диаграмму распределения заемщиков по целям кредитования и полу заемщика. Постройте модель дерева решений для оценки кредитоспособности по 6 измерениям и фактам (обосновать их выбор).

Вариант № 9, 23, 24, 26

Постройте многомерный отчет и кросс-диаграмму распределения заемщиков по целям кредитования и должностям. Постройте модель дерева решений для оценки кредитоспособности по 4 измерениям и фактам (обосновать их выбор).

Для каждой модели проведите оценку качества и точности (обработчик «что-если», таблица сопряженности). Результатом проделанной работы должен стать сценарий Deductor. Сделать выводы.

Data Mining в банковском кредитовании

Одной из важнейших задач в банковском кредитовании является анализ потенциальных заемщиков. В настоящее время большинство российских банков решают вопрос снижения своих кредитных рисков путем простого переноса их на поручителей заемщика. В современных российских условиях стремительного спроса на услуги банковского кредитования банк, который умеет оценить кредитный риск как можно точнее, получит преимущество над конкурентами, дополнительную прибыль, возможность управлять уровнем риска. Одним из доступных инструментов для оценки кредитного риска, особенно в условиях отсутствия экспертов по оценке риска, являются методы Data Mining.

Эксперты в области банковского кредитования выделяют несколько факторов, которые влияют на кредитоспособность человека (табл. 3.1).

Таблица 1

Факторы, влияющие на кредитоспособность.

Категория	Некоторые факторы категории
Базовая персональная информация	Пол, возраст, образование ...
Информация о семейном положении	Состояние в браке, количество детей ...
Регистрационная информация	Регистрация, срок проживания по данному адресу ...
Информация о занятости	Специальность, сфера деятельности предприятия ...
Информация о финансовом положении	Зарплата, другие начисления и удержания
Информация по обеспеченности	Имущество, ценные бумаги...
Информация о кредитной истории	Количество прошлых кредитов, текущие обязательства ...

Тем самым должно достигаться и отнесение потенциального заемщика к способным вернуть кредит или не способным. При наличии статистических данных (кредитной истории) модель классификации строится с использованием дерева решений.

Для выполнения заданий понадобятся дополнительные обработчики:

• дерево решений;

• группировка;

• сортировка;

и визуализаторы:

• карта Кохонена;

• дерево решений;

• правила;

• таблица сопряженности;

• «Что-Если»;

• диаграмма.