Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor

Este artículo resuelve el problema de la construcción e investigación de modelos de puntuación de colecciones. Se destaca la relevancia de resolver este problema sobre la base de las tecnologías de modelado inteligente: árboles de decisión, regresión logística y redes neuronales. Los datos iniciales...

Full description

Bibliographic Details
Main Authors:	Idrisovich Ismagilov, Ilyas, Ilshatovna Sabirova, Ajgul, Vladimirovna Kataseva, Dina, Sergeevich Katasev, Alexey
Format:	Online
Language:	eng
Published:	Universidad Nacional de Ingeniería (UNI) en Managua 2020
Online Access:	https://www.camjol.info/index.php/NEXO/article/view/10796

id	NEXO10796
record_format	ojs
spelling	NEXO107962021-01-27T17:26:40Z Collection Scoring Models Development and Research Based on the Deductor Analytical Platform Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor Idrisovich Ismagilov, Ilyas Ilshatovna Sabirova, Ajgul Vladimirovna Kataseva, Dina Sergeevich Katasev, Alexey overdue credit debt collection scoring decision tree logistic regression neural network data mining deuda crediticia vencida puntaje de cobranza árbol de decisión regresión logística red neuronal y minería de datos This article solves the problem of collection scoring models constructing and researching. The relevance of solving this problem on the intelligent modeling technologies basis: decision trees, logistic regression and neural networks is noted. The initial data for the models was a set of 14 columns and 5779 rows. The models construction was performed in Deductor platform. Each model was tested on the set of 462 records. For all models, the corresponding classification matrix were constructed and the1st and 2nd kind errors were calculated, as well as the general error of the models. In terms of minimizing these errors, logistic regression showed the worst results, and the neural network showed the best. In addition, the constructed models effectiveness was evaluated according to «income» and «time» criteria. By the time costs the logistic regression model exceeds other models. However, in terms of income the neural network model was the best. Thus, the results showed that in order to minimize the time spent on work with debtors it is advisable to use a logistic model. However, to maximize profits and minimize classification errors, it is appropriate to use a neural network model. This indicates its effectiveness and practical use possibility in intelligent scoring systems. Este artículo resuelve el problema de la construcción e investigación de modelos de puntuación de colecciones. Se destaca la relevancia de resolver este problema sobre la base de las tecnologías de modelado inteligente: árboles de decisión, regresión logística y redes neuronales. Los datos iniciales de los modelos fueron un conjunto de 14 columnas y 5779 filas. La construcción de los modelos se realizó en plataforma Deductor. Cada modelo fue probado en el conjunto de 462 registros. Para todos los modelos se construyó la correspondiente matriz de clasificación y se calcularon los errores de 1º y 2º tipo, así como el error general de los modelos. En términos de minimizar estos errores, la regresión logística mostró los peores resultados y la red neuronal mostró los mejores. Además, se evaluó la efectividad de los modelos construidos según criterios de «ingresos» y «tiempo». Por el tiempo que cuesta el modelo de regresión logística supera a otros modelos. Sin embargo, en términos de ingresos, el modelo de red neuronal fue el mejor. Así, los resultados mostraron que para minimizar el tiempo dedicado al trabajo con los deudores es recomendable utilizar un modelo logístico. Sin embargo, para maximizar las ganancias y minimizar los errores de clasificación, es apropiado utilizar un modelo de red neuronal. Esto indica su eficacia y posibilidad de uso práctico en sistemas de puntuación inteligentes. Universidad Nacional de Ingeniería (UNI) en Managua 2020-12-31 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Peer-Reviewed Article Artículo revisado por pares application/pdf https://www.camjol.info/index.php/NEXO/article/view/10796 10.5377/nexo.v33i02.10796 Nexo Scientific Journal; Vol. 33 No. 02 (2020); 608-615 Nexo Revista Científica; Vol. 33 Núm. 02 (2020); 608-615 1995-9516 1818-6742 eng https://www.camjol.info/index.php/NEXO/article/view/10796/12651 Derechos de autor 2021 Universidad Nacional de Ingeniería
institution	Universidad Nacional de Ingeniería
collection	Nexo Revista Científica
language	eng
format	Online
author	Idrisovich Ismagilov, Ilyas Ilshatovna Sabirova, Ajgul Vladimirovna Kataseva, Dina Sergeevich Katasev, Alexey
spellingShingle	Idrisovich Ismagilov, Ilyas Ilshatovna Sabirova, Ajgul Vladimirovna Kataseva, Dina Sergeevich Katasev, Alexey Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
author_facet	Idrisovich Ismagilov, Ilyas Ilshatovna Sabirova, Ajgul Vladimirovna Kataseva, Dina Sergeevich Katasev, Alexey
author_sort	Idrisovich Ismagilov, Ilyas
description	Este artículo resuelve el problema de la construcción e investigación de modelos de puntuación de colecciones. Se destaca la relevancia de resolver este problema sobre la base de las tecnologías de modelado inteligente: árboles de decisión, regresión logística y redes neuronales. Los datos iniciales de los modelos fueron un conjunto de 14 columnas y 5779 filas. La construcción de los modelos se realizó en plataforma Deductor. Cada modelo fue probado en el conjunto de 462 registros. Para todos los modelos se construyó la correspondiente matriz de clasificación y se calcularon los errores de 1º y 2º tipo, así como el error general de los modelos. En términos de minimizar estos errores, la regresión logística mostró los peores resultados y la red neuronal mostró los mejores. Además, se evaluó la efectividad de los modelos construidos según criterios de «ingresos» y «tiempo». Por el tiempo que cuesta el modelo de regresión logística supera a otros modelos. Sin embargo, en términos de ingresos, el modelo de red neuronal fue el mejor. Así, los resultados mostraron que para minimizar el tiempo dedicado al trabajo con los deudores es recomendable utilizar un modelo logístico. Sin embargo, para maximizar las ganancias y minimizar los errores de clasificación, es apropiado utilizar un modelo de red neuronal. Esto indica su eficacia y posibilidad de uso práctico en sistemas de puntuación inteligentes.
title	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_short	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_full	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_fullStr	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_full_unstemmed	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_sort	desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica deductor
title_alt	Collection Scoring Models Development and Research Based on the Deductor Analytical Platform
publisher	Universidad Nacional de Ingeniería (UNI) en Managua
publishDate	2020
url	https://www.camjol.info/index.php/NEXO/article/view/10796
work_keys_str_mv	AT idrisovichismagilovilyas collectionscoringmodelsdevelopmentandresearchbasedonthedeductoranalyticalplatform AT ilshatovnasabirovaajgul collectionscoringmodelsdevelopmentandresearchbasedonthedeductoranalyticalplatform AT vladimirovnakatasevadina collectionscoringmodelsdevelopmentandresearchbasedonthedeductoranalyticalplatform AT sergeevichkatasevalexey collectionscoringmodelsdevelopmentandresearchbasedonthedeductoranalyticalplatform AT idrisovichismagilovilyas desarrolloeinvestigaciondemodelosdepuntuaciondecoleccionesbasadosenlaplataformaanaliticadeductor AT ilshatovnasabirovaajgul desarrolloeinvestigaciondemodelosdepuntuaciondecoleccionesbasadosenlaplataformaanaliticadeductor AT vladimirovnakatasevadina desarrolloeinvestigaciondemodelosdepuntuaciondecoleccionesbasadosenlaplataformaanaliticadeductor AT sergeevichkatasevalexey desarrolloeinvestigaciondemodelosdepuntuaciondecoleccionesbasadosenlaplataformaanaliticadeductor
_version_	1781395980414877696

Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor

Similar Items