Одним из популярных методов принятия решений являются дерева решений. С помощью этого метода можно принимать решения:
- по социальным и макроэкономическим вопросам;
- по развитию фирмы или в банковской сфере.
Дерева решений используются также для диагностики в медицине, экономике и бизнесе.
Дерева решений являются прекрасным инструментом в системах поддержки принятия решений, интеллектуального анализа данных. В состав многих пакетов, предназначенных для интеллектуального анализа данных, уже включены методы построения дерева решений.
Дерева решений успешно применяются для решения практических задач в следующих областях:
-Банковское дело. Оценка кредитоспособности клиентов банка при выдаче кредитов.
-Промышленность. Контроль за качеством продукции (выявление дефектов), испытания без разрушений (например проверка качества сварки) и т.д.
-Медицина. Диагностика различных заболеваний.
-Молекулярная биология. Анализ строения аминокислот.
Анализ дерева решений - это метод, который описывает процесс принятия решения посредством рассмотрения альтернативных вариантов и последствий их выбора. Отображается в виде диаграммы. Этот метод используют в тех случаях, когда прогнозируемые сценарии и результаты действий, имеют вероятностный характер. В диаграмме анализа дерева решений отражаются вероятности и величины затрат, выгоды каждой логической цепи событий и будущих решений, и используется анализ ожидаемого денежного значения с целью определения относительной стоимости альтернативных действий.
Метод дерева решений применяется в задачах классификации и прогнозирования, когда решения приходится принимать в условиях риска, неопределённости и исход событий зависит от вероятностей. На каждое решение влияют какие-то определённые факторы, и у каждого решения есть свои последствия, которым присущ вероятностный характер. В этих условиях процесс принятия решений является последовательным и метод дерева решений предполагает определять, какие действия следует предпринять в каждой вершине дерева.
Также метод дерево решений применяется в конкретных управленческих ситуациях, являясь существенным элементом менеджмента при разработке стратегии на предприятии, потому что на его основе можно прогнозировать и оптимизировать стратегию развития предприятия.
Данный метод позволяет установить, движется ли организация к намеченной цели или нет, и когда она её достигнет.
Стратегическая цель организации по данному методу формулируется в виде нескольких предложений, которые отвечают на вопросы:
«Зачем делать?» (идея, цель), «Что делать?» (количество и качество объекта), «Как делать?» (по какой технологии), «Для кого делать?» (потребители), «С какими затратами?» (ресурсы), «Где делать?» (место), «Когда делать?» (время), «Кому делать?» «Что это дает?» (экономический, социальный и другие виды эффекта).
Практически при использовании данного метода в конкретных управленческих ситуациях удается выявить, какие факторы внешней и внутренней среды оказывают наибольшее влияние на деятельность организации и какие возможности обеспечат наилучшую отдачу при достижении цели.
Метод широко применяется для прогнозирования возможных направлений развития науки, техники, технологий, а также для составления личных целей, профессиональных целей, любой компании. Метод «дерево решений» для достижения целей тесно увязывает между собой перспективные цели и конкретные задачи на каждом уровне иерархии. При этом цель высшего порядка соответствует вершине дерева, а ниже в несколько ярусов, предусматривает локальные цели (задачи), с помощью которых обеспечивается достижение целей верхнего уровня.
Рассмотрим на конкретном примере, а именно дерево решений в оценке кредитоспособности физических лиц.
При кредитовании физических лиц характерны небольшие размеры ссуд, что порождает большой объем работы по их оформлению и достаточно дорогостоящая процедура оценки кредитоспособности относительно получаемой в результате прибыли. Для оценки кредитоспособности физических лиц банку необходимо оценить как финансовое положение заемщика, так и его личные качества. При этом кредитный риск складывается из риска невозврата основной суммы долга и процентов по этой сумме. Сейчас для оценки риска кредитования заемщика используется скоринг кредитование. Сущность этой методики состоит в том, что каждый фактор, характеризующий заемщика, имеет свою количественную оценку. Суммируя полученные баллы, можно получить оценку кредитоспособности физического лица. Каждый параметр имеет максимально возможный порог, который выше для важных вопросов и ниже для второстепенных. На сегодняшний день известно достаточно много методик кредитного скоринга. Одной из самых известных является модель Дюрана. Дюран выявил группы факторов, позволяющих максимально определить степень кредитного риска. Также он определил коэффициенты для различных факторов, характеризующих кредитоспособность физического лица:
Пол: женский (0.40), мужской (0)
Возраст: 0.1 балл за каждый год свыше 20 лет, но небольше, чем 0.30
Срок проживания в данной местности: 0.042 за каждый год, но небольше, чем 0.42
Профессия: 0.55 – за профессию с низким риском; 0 – за профессию с высоким риском; 0.16 – другие профессии
Финансовые показатели: наличие банковского счета – 0.45; наличие недвижимости – 0.35; наличие полиса по страхованию – 0.19
Работа: 0.21 – предприятия в общественной отрасли, 0 – другие
Занятость: 0.059 – за каждый год работы на данном предприятии
Также он определил порог, перейдя который, человек считался кредитоспособным. Этот порог равен 1.25, т. е. если набранная сумма баллов больше или равна 1.25, то потенциальному заемщику выдается испрашиваемая им сумма.
Недостатки скоринговой системы оценки кредитоспособности физических лиц.
Основным недостатком скоринговой системы оценки кредитоспособности физических лиц является то, что она очень плохо адаптируема. А используемая для оценки кредитоспособности система, должна отвечать настоящему положению дел. Например, в США считается плюсом, если человек поменял много мест работы, что говорило о том, что он востребован. В СССР наоборот – данное обстоятельство говорило о том, что человек либо не может ужиться с коллективом, либо это малоценный специалист, а соответственно повышается вероятность просрочки в платежах. Другим примером различия весовых коэффициентов может служить то, что если в СССР наличие личного автомобиля говорило о хорошем финансовом положении заемщика, то сейчас это наличие практически ни о чем не говорит. Таким образом, адаптировать модель просто крайне необходимо как для разных периодов времени, так и для разных стран и даже для разных регионов страны.
Для адаптации скоринговой модели оценки кредитоспособности физических лиц специалисту необходимо проделывать путь, подобный тому, что проделал Дюран, то есть специалисты, которые будут заниматься такой адаптацией, должны быть высоко квалифицированными, а значит и очень высокооплачиваемыми, быть в состоянии оценить текущую ситуацию на рынке. Результатом такого рода проделанной работы будет набор факторов с весовыми коэффициентами плюс некий порог (значение), преодолев который человек, обратившийся за кредитом, считается способным погасить испрашиваемую ссуду и проценты. Полученные результаты являются по большей части субъективным мнением и, как правило, плохо подкрепленные статистикой (статистически необоснованные). Как следствие всего этого, полученная модель не в полной мере отвечает текущей действительности. Финансовым результатом такого подхода будет то, что в процентной ставке кредитования предлагаемой банком большую долю будет занимать часть, покрывающая риск неплатежей.
Итак, основные недостатки скоринговой системы оценки кредитоспособности физических лиц – это:
Высокая стоимость адаптации используемой модели под текущее положение дел;
Большая вероятность ошибки модели при определении кредитоспособности потенциального заемщика, обусловленная субъективным мнением специалиста.
Деревья решений как вариант решения проблемы устранения недостатков скоринговой системы
Одним из вариантов решения вышепоставленной задачи является применение алгоритмов, решающих задачи классификации. Задача классификации – это задача отнесения какого-либо объекта (потенциальный заемщик) к одному из заранее известных классов (Давать/Не давать кредит). Такого рода задачи с большим успехом решаются одним из методов Data Mining – при помощи деревьев решений. Деревья решений – один из методов автоматического анализа данных. Получаемая модель – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение. Пример дерева приведен на рис. 1.
Рис. 1. Пример дерева решений
Сущность этого метода заключается в следующем:
На основе данных за прошлые периоды строится дерево. При этом класс каждой из ситуаций, на основе которых строится дерево, заранее известен. В нашем случае должно быть известно, была ли возвращена основная сумма долга и проценты и не было ли просрочек в платежах. При построении дерева все известные ситуации обучающей выборки сначала попадают в верхний узел, а потом распределяются по узлам, которые в свою очередь также могут быть разбиты на дочерние узлы. Критерий разбиения – это различные значения какого-либо входного фактора. Для определения поля, по которому будет происходить разбиение, используется показатель, называемый энтропия – мера неопределенности. Выбирается то поле, при разбиении по которому устраняется больше неопределенности. Неопределенность тем выше, чем больше примесей (объектов, относящихся к различным классам) находятся в одном узле. Энтропия равна нулю, если в узле будут находиться объекты, относящиеся к одному классу.
Полученную модель используют при определении класса (Давать/Не давать кредит) вновь возникших ситуаций (поступила заявка на получение кредита).
При существенном изменении текущей ситуации на рынке, дерево можно перестроить, т.е. адаптировать к существующей обстановке.