• norsk
    • English
  • norsk 
    • norsk
    • English
  • Logg inn
Vis innførsel 
  •   Hjem
  • Fakultet for informasjonsteknologi og elektroteknikk (IE)
  • Institutt for matematiske fag
  • Vis innførsel
  •   Hjem
  • Fakultet for informasjonsteknologi og elektroteknikk (IE)
  • Institutt for matematiske fag
  • Vis innførsel
JavaScript is disabled for your browser. Some features of this site may not work without it.

Forecasting the Total Balance Sent to Debt Collection

Holck, Jens Andreas Teigland
Master thesis
Thumbnail
Åpne
no.ntnu:inspera:2524554.pdf (4.954Mb)
no.ntnu:inspera:2524554.zip (400.0Mb)
Permanent lenke
http://hdl.handle.net/11250/2624616
Utgivelsesdato
2019
Metadata
Vis full innførsel
Samlinger
  • Institutt for matematiske fag [1769]
Sammendrag
Kredittkort har lenge vært en populær betalingsmetode og bruken vokser globalt. Kred-

ittkortselskaper må stadig vurdere risikoen forbundet med pengeutlåning og en måte å

måle risiko i forbindelse med kredittkortutgifter er å spore antall inkassosaker over tid.

Nøyaktige prediksjoner over antall kunder som blir sendt til inkasso i fremtiden vil derfor

være svært interessant for kredittkortselskaper. Formålet med denne avhandlingen var å

predikere den totale balansen som blir sendt til inkasso hver måned for året 2019, basert

på historiske data fra SpareBank 1 Kredittkort AS i tidsperioden juli 2017 til september

2018. I tillegg ønsket vi å bestemme hvilke faktorer som gjør at noen kunder er mer utsatt

for mislighold.

Datasettet var longitudinelt med repeterende observasjoner hver måned for mer enn 500

000 kredittkortkunder i Norge. En mixed effects logistisk regresjonsmodell ble konstruert

og brukt som en klassifikator for å bestemme hvorvidt en kunde blir sendt til inkasso i en

gitt måned. Modellen ble deretter brukt til å klassifisere og telle antall inkassosaker i en

måned. Ved å multiplisere med gjenomsnittsbalansen en kunde skylder ga dette predik-

sjoner for den totale balansen sendt til inkasso hver måned. Datasettet var svært ubalansert

siden de fleste kundene ikke blir sendt til inkasso. Vi brukte tilfeldig undersampling i til-

legg til en metode for å justere outputen til en klassifikator. Modellen predikerte en økning

i den totale balansen sendt til inkasso for året 2019. En mulig forbedring av modellen vil

være å samle tilleggsinformasjon for hver kunde som kan forklare hvorfor noen kunder er

mer utsatt for mislighold. Dette kan blant annet være en kundes månedlige inntekt, andre

typer usikret gjeld og sivilstatus.
 
Credit cards have long been a popular form of payment method and the usage is growing

worldwide. Credit card companies must constantly assess the risk of money lending and

one way to measure risk in conjunction with credit card spending is to track the number

of debt collection cases over time. Accurate predictions of the number of customers sent

to debt collection in the future is therefore of great interest to credit card companies. The

aim of this thesis was to forecast the total balance sent to debt collection each month for

the year 2019 based on historical data provided by SpareBank 1 Kredittkort AS in the time

period July 2017 to September 2018. Additionally, we aimed to determine factors that

make some costumers more prone to delinquency in general.

The data provided was longitudinal with repeated measurements each month for more than

500 000 credit card customers in Norway. A mixed effects logistic regression model was

made and used as a classifier to determine whether a customer is sent to debt collection in a

given month. The model was then used to classify and count the number of debt collection

cases in a month. Multiplying with the average amount a customer owes gave predictions

for total balance sent to debt collection each month. The data was highly imbalanced since

most customers are not sent to debt collection. We used random undersampling as well

as a method to adjust the outputs of the classifier. The model forecasted an increase in

the total balance sent to debt collection for the year 2019. A possible improvement of the

model would be to collect additional personal information about each customer that could

possibly explain why some customers are more prone to delinquency. These may include

a customer’s monthly income, other types of unsecured debt and marital status.
 
Utgiver
NTNU

Kontakt oss | Gi tilbakemelding

Personvernerklæring
DSpace software copyright © 2002-2019  DuraSpace

Levert av  Unit
 

 

Bla i

Hele arkivetDelarkiv og samlingerUtgivelsesdatoForfattereTitlerEmneordDokumenttyperTidsskrifterDenne samlingenUtgivelsesdatoForfattereTitlerEmneordDokumenttyperTidsskrifter

Min side

Logg inn

Statistikk

Besøksstatistikk

Kontakt oss | Gi tilbakemelding

Personvernerklæring
DSpace software copyright © 2002-2019  DuraSpace

Levert av  Unit