اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 1 پیاپی 3 1404 06 01 Developing an Intelligent Model for Assessing Bank Customers’ Credit Risk Using Classification Algorithms and Financial Behavioral Data ارائه الگوی هوشمند سنجش ریسک اعتباری مشتریان بانکی با استفاده از الگوریتم‌های طبقه‌بندی و داده‌های رفتاری مالی 27 38 FA امیر حسین نوری گروه اقتصاد، دانشگاه فردوسی مشهد، مشهد، ایران محمد عرفان صادقی مهر گروه اقتصاد، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article <p>This study aimed to develop an intelligent model for assessing bank customers’ credit risk using classification algorithms, financial behavioral data, data governance, and explainable decision-making mechanisms. This qualitative study was conducted using thematic analysis. The participants included 21 banking experts, credit managers, risk management specialists, data analysts, banking information technology experts, and fintech professionals in Tehran. Participants were selected through purposive and snowball sampling. Data were collected through semi-structured interviews focused on the requirements, dimensions, challenges, and implementation mechanisms of intelligent credit risk assessment in banking. Interviews continued until theoretical saturation was achieved. Initial saturation occurred in the eighteenth interview, and three additional interviews were conducted to confirm the stability and adequacy of the extracted categories. All interviews were transcribed verbatim and analyzed using NVivo software through open, axial, and selective coding. The analysis resulted in five main categories: financial behavioral data infrastructure, intelligent credit classification engine, data governance and data quality, explainability and algorithmic fairness, and integration of the model into banking decision-making processes. Participants emphasized that credit risk cannot be assessed adequately through traditional financial indicators alone. Instead, an intelligent model should incorporate customers’ actual financial behavior, including payment discipline, transaction patterns, account balance volatility, repayment history, digital banking interactions, income stability, and liquidity behavior. Classification algorithms such as logistic regression, decision trees, random forests, support vector machines, and gradient boosting were considered useful when combined with interpretability tools, validation procedures, and human oversight. The proposed model suggests that intelligent credit risk assessment creates value for banks when predictive accuracy is balanced with transparency, data quality, bias control, regulatory compliance, and operational usability in credit decision-making.</p> <p>هدف پژوهش حاضر ارائه الگوی هوشمند سنجش ریسک اعتباری مشتریان بانکی با تأکید بر نقش الگوریتم‌های طبقه‌بندی، داده‌های رفتاری مالی، حکمرانی داده و قابلیت تفسیرپذیری تصمیمات اعتباری است. این پژوهش با رویکرد کیفی و روش تحلیل مضمون انجام شد. مشارکت‌کنندگان شامل ۲۱ نفر از خبرگان بانکی، مدیران اعتبارات، متخصصان مدیریت ریسک، تحلیلگران داده، کارشناسان فناوری اطلاعات بانکی و صاحب‌نظران فین‌تک در شهر تهران بودند که به‌صورت هدفمند و با راهبرد گلوله‌برفی انتخاب شدند. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری شد. مصاحبه‌ها تا رسیدن به اشباع نظری ادامه یافت؛ اشباع اولیه در مصاحبه هجدهم حاصل شد و سه مصاحبه تکمیلی برای اطمینان از پایداری مقوله‌ها انجام گرفت. داده‌ها با استفاده از نرم‌افزار NVivo و طی مراحل کدگذاری باز، محوری و انتخابی تحلیل شدند. تحلیل مصاحبه‌ها به استخراج پنج مقوله اصلی انجامید: زیرساخت داده‌های رفتاری مالی، موتور هوشمند طبقه‌بندی اعتباری، حکمرانی و کیفیت داده، تفسیرپذیری و عدالت الگوریتمی، و یکپارچه‌سازی الگو در فرایند تصمیم‌گیری بانکی. مشارکت‌کنندگان تأکید داشتند که ریسک اعتباری صرفاً با شاخص‌های مالی سنتی قابل سنجش نیست و الگوی هوشمند باید رفتار واقعی مشتری در جریان‌های پرداخت، الگوی مصرف، نوسان مانده حساب، انضباط بازپرداخت، تعامل دیجیتال و ثبات درآمدی را تحلیل کند. همچنین، استفاده از الگوریتم‌های طبقه‌بندی مانند رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان و گرادیان بوستینگ در کنار شاخص‌های تفسیرپذیری، برای افزایش دقت و اعتمادپذیری تصمیمات اعتباری ضروری دانسته شد. الگوی پیشنهادی نشان می‌دهد که اعتبارسنجی هوشمند زمانی برای بانک‌ها ارزش‌آفرین است که میان دقت پیش‌بینی، شفافیت تصمیم، کیفیت داده، کنترل سوگیری و قابلیت استفاده عملی در فرایند اعطای تسهیلات تعادل برقرار شود.</p> https://jsaefm.com/index.php/jsaefm/article/download/15/15