Data analytics driven quadratic optimization for solving agent-debtor assignment in debt recovery problem
Borç tahsil probleminde temsilci-borçlu atama çözümü için veri analitiği odaklı ikinci dereceden optimizasyon
- Tez No: 972978
- Danışmanlar: PROF. DR. CEM İYİGÜN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüz ekonomisinde gecikmiş ödemeler ve tahsil edilemeyen borçlar artmaktadır ve finansal istikrar için uygun yönetim çok önemlidir. Etkili bir borç tahsilatı süreci, ödeme eğilimlerini belirlemek için geçmiş müşteri verilerinin analiziyle başlar. Temel zorluk, tahsilat için en uygun temsilcilerin borçlulara atanmasıdır. Bu çalışma, iki aşamadan oluşan yeni bir hibrit optimizasyon çerçevesi önermektedir. İlk aşamada, temsilci-borçlu çiftlerinin borç tahsilat oranını tahmin etmek için makine öğrenimi tabanlı bir öngörücü analitik süreç geliştirilmiştir. İkinci aşama, temsilcileri ve borçluları aynı anda gruplandırma ve bu grupları tahsilat verimliliğini en üst düzeye çıkaracak şekilde birbirleriyle eşleştirme problemini ele almaktadır. Bu problem, ikinci dereceden ve doğrusal matematiksel modeller öneren kısıtlı“0-1 Tamsayılı”bir optimizasyon problemi olarak formüle edilmiştir. Bu matematiksel modelleri makul bir sürede çözmek için üç optimizasyon yaklaşımı önerilmiştir. Geliştirilen hibrit optimizasyon yapısı sentetik ve simüle edilmiş verilerle test edilmiştir.
Özet (Çeviri)
Late payments and irrecoverable debts are rising in today's economy, and proper management is crucial for financial stability. An effective debt collection process begins with the analysis of historical customer data to identify payment trends. The key challenge is to assign the most suitable agents to debtors for recovery. This work proposes a novel hybrid optimization framework which is composed of two phases. In the first phase, a machine learning-based predictive analytics pipeline is proposed to predict the debt recovery rate of all agent-debtor pairs. The second phase addresses the problem of grouping agents and debtors simultaneously and matching those groups with each other in a way that maximizes recovery efficiency. This problem is formulated as a constrained binary optimization problem that proposes quadratic and linear mathematical models. To solve these mathematical models in a reasonable time, three optimization approaches are proposed. This hybrid optimization framework is tested with synthetic and mimicked data.
Benzer Tezler
- Hastane poliklinik blokları tasarımı için bir optimizasyon model yaklaşımı
An optimisation model approach for the design of hospital outpatient blocks
MUHAMMED FATİH ÇETİNTAŞ
- Yapay zeka teknikleri kullanılarak mikro ifadelerin tespiti ve sınıflandırılması
Detection and classification of microexpressions using artificial intelligence techniques
MEHMET ZAHİT UZUN
- Data driven optimization of structural and dynamical properties of parts manufactured via selective laser melting process using machine learning and finite element analysis methods
Seçici lazer ergitme prosesi ile üretilen parçaların yapısal ve dinamik özelliklerinin makine öğrenmesi ve sonlu elemanlar analizi yöntemleri kullanılarak veri odaklı optimizasyonu
CAN BARIŞ TOPRAK
- Kent içi yollarda hız kesici platform ve tümsek profillerinin sürüş konforu üzerindeki etkilerinin arazi testleri, nümerik ve analitik modeller vasıtasıyla belirlenmesi
Determination of the effect of speed hump and bump profiles on urban roads in terms of ride comfort via field tests, numerical model and analytical model
ERTUĞRUL BİLGİN
