دانلود مقاله ISI انگلیسی شماره 107570
ترجمه فارسی عنوان مقاله

یک سیستم هوش مصنوعی برای پیش بینی پیشفرض مشتری در تجارت الکترونیک

عنوان انگلیسی
An artificial intelligence system for predicting customer default in e-commerce
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
107570 2018 33 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 17216 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 25 روز بعد از پرداخت 206,592 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 13 روز بعد از پرداخت 413,184 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 104, 15 August 2018, Pages 1-21

ترجمه کلمات کلیدی
مدیریت ریسک، نمره اعتباری، برنامه نویسی ژنتیک، فراگیری ماشین، بهینه سازی،
کلمات کلیدی انگلیسی
Risk management; Credit scoring; Genetic programming; Machine learning; Optimization;
پیش نمایش مقاله
پیش نمایش مقاله یک سیستم هوش مصنوعی برای پیش بینی پیشفرض مشتری در تجارت الکترونیک

چکیده انگلیسی

The growing number of e-commerce orders is leading to increased risk management to prevent default in payment. Default in payment is the failure of a customer to settle a bill within 90 days upon receipt. Frequently, credit scoring (CS) is employed to identify customers’ default probability. CS has been widely studied, and many computational methods have been proposed. The primary aim of this work is to develop a CS model to replace the pre-risk check of the e-commerce risk management system Risk Solution Services (RSS), which is currently one of the most used systems to estimate customers’ default probability. The pre-risk check uses data from the order process and includes exclusion rules and a generic CS model. The new model is supposed to replace the whole pre-risk check and has to work both in isolation and in integration with the RSS main risk check. An application of genetic programming (GP) to CS is presented in this paper. The model was developed on a real-world dataset provided by a well-known German financial solutions company. The dataset contains order requests processed by RSS. The results show that GP outperforms the generic CS model of the pre-risk check in both classification accuracy and profit. GP achieved competitive classificatory accuracy with several state-of-the-art machine learning methods, such as logistic regression, support vector machines and boosted trees. Furthermore, the GP model can be used in combination with the RSS main risk check to create a model with even higher discriminatory power.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 17216 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 25 روز بعد از پرداخت 206,592 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 13 روز بعد از پرداخت 413,184 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.