Вплив методів балансування даних на якість та економічну ефективність класифікації банківських клієнтів (The impact of data balancing methods on the quality and cost-effectiveness of bank customer classification)

Клебан, Ю. (Yu. Kleban) and Мельниченко, Г. М. (H. Melnychenko) (2025) Вплив методів балансування даних на якість та економічну ефективність класифікації банківських клієнтів (The impact of data balancing methods on the quality and cost-effectiveness of bank customer classification). Науковий вісник Херсонського державного університету. Серія: Економічні науки (вип.54). pp. 66-74.

Preview

PDF - Published Version Available under License Creative Commons Attribution. Download (725kB) | Preview

Анотація

Стаття досліджує вплив методів балансування даних (Oversampling, Undersampling, Over&Under, ROSE, SMOTE) на економічну ефективність класифікації ненадійних клієнтів у фінансовому секторі. Основна увага зосереджена на визначенні оптимального порогу класифікації, що максимізує прибуток банку і не шкодить якості прогнозів. Дані зібрані з 700 клієнтів із відсотком ненадійних у 26,3%. Результати показують, що SMOTE демонструє найкращі економічні результати, незважаючи на певні помилки у класифікації. Зокрема, модель SMOTE забезпечує високі показники F1-Score, F2-Score та F-Measure, підвищуючи точність прогнозування кредитних ризиків. Використання ROSE виявилось менш ефективним. Таким чином, застосування збалансованих моделей може бути вигідним для покращення фінансових результатів та зменшення втрат у банківській сфері.
(The article explores the effectiveness of data balancing methods—Oversampling, Undersampling, Over&Under, ROSE, and SMOTE—in improving the classification of unreliable clients in the financial sector. The primary focus is on determining the optimal classification threshold that maximizes bank profitability while maintaining predictive accuracy. The study uses a dataset of 700 clients, with 26.3% identified as unreliable. Logistic regression models were constructed to evaluate the performance of each balancing technique. The findings indicate that the SMOTE technique exhibits the most substantial economic impact, yielding favorable outcomes in terms of both F1-Score and economic returns. Despite some misclassifications, SMOTE effectively improves the identification of highrisk clients, showcasing enhanced sensitivity and specificity. Conversely, the application of the ROSE method proved to be less effective among the techniques studied, demonstrating lower classification quality and economic efficiency. This suggests that the choice of balancing method significantly influences the financial outcomes and forecast accuracy in banking environments. Additionally, the study emphasizes the necessity of balancing data to resolve class imbalance issues, which is a common challenge in real-world financial applications such as credit risk prediction. The analysis reveals that models benefiting from balanced datasets outperform unbalanced ones, demonstrating improved accuracy and reduced bias towards the dominant class. Overall, the research highlights the importance of selecting appropriate data balancing strategies as a critical factor in enhancing the predictive capacity and economic efficiency of classification models in the banking sector. These findings underscore the potential of employing sophisticated machine learning techniques to minimize credit risk and optimize profitability, providing banks with a strategic advantage in risk management and decision-making processes. The study suggests that adopting advanced data balancing methods like SMOTE can significantly contribute to better financial results and risk mitigation in credit lending practices.)

Тип файлу:	Стаття
Ключові слова:	балансування даних, кредитний ризик, класифікація клієнтів, економічна ефективність, SMOTE, ROSE, оптимізація cutoff-порогів (data balancing, credit risk, customer classification, economic efficiency, SMOTE, ROSE, cutoff threshold optimization)
Теми:	За напрямами > Математика та природничі науки Навчальні матеріали та презентації
Підрозділи:	Навчально-науковий інститут інформаційних технологій та бізнесу > Кафедра математики та інтелектуальних обчислень
Розмістив/ла:	заввідділу Наталя Денисенко
Дата розміщення:	24 Сер 2026 12:53
Остання зміна:	24 Сер 2026 12:53
URI:	https://eprints.oa.edu.ua/id/eprint/10676

Actions (login required)

Переглянути елемент

Завантаження