Credit risk analysis of microfinance using data mining techniques /
Sameh Hussein Ali Al-Bayoumi,
Credit risk analysis of microfinance using data mining techniques / تحليل مخاطر الائتمان للتمويل متناهى الصغر باستخدام تقنيات التنقيب عن البيانات by Sameh Hussein Ali Al-Bayoumi ; Supervised Prof. Dr. Lamiaa Fattouh, Dr. Atef Raslan. - 138 Leaves : illustrations ; 30 cm. + CD.
Thesis (M.Sc)-Cairo University, 2025.
Bibliography: pages 131-138.
Microfinance companies face numerous challenges associated with financing
activities, particularly in the non-bank sector. Each year, many cases are recorded where
individuals fail to repay the majority of their microfinance obligations, leading to
substantial financial losses. As a result, the risk involved in approving microfinance
requests remains high. In this study, a classification model was developed based on
microfinance data obtained from Tamweely company, with the aim of predicting the loan
repayment status of clients. The dataset underwent preprocessing, reduction, and
preparation to ensure efficient and accurate predictions. Several classification algorithms—
Random Forest, Naïve Bayes, K-Nearest Neighbors (KNN), J48 Tree, and Bayes Net—
were applied to build and evaluate the predictive models. The implementation and testing
of the models were carried out using the Weka 3.9.6 application. The accuracy results for
the applied algorithms were as follows: Random Forest – 99.7885%, Naïve Bayes –
89.0624%, KNN – 85.4659%, J48 Tree – 99.7901%, and Bayes Net – 96.1946%. Based
on its superior accuracy, the J48 Tree algorithm was selected as the final model for
prediction purposes. تواجه شركات التمويل متناهى الصغر تحدياتٍ عديدةً مرتبطةً بالتمويل واليوم، تتعدد المخاطر المرتبطة بالتمويل متناهى الصغر في القطاع المالى غير المصرفي. ففي كل عام، نواجه حالاتٍ عديدةً يتعثرون فيها الأفراد عن سداد معظم مبالغ التمويل متناهى الصغر للشركات، مما يُسبب خسائر فادحة لهذه الشركات. وتُعدّ المخاطر المرتبطة باتخاذ قرارات الموافقة على طلبات التمويل متناهى الصغر كبيرةً. في هذه الدراسة، تم بناء نموذج تصنيفٍ بناءً على بيانات التمويل متناهى الصغر تم الحصول عليها من شركة "تمويلي" للتنبؤ بحالة التمويل . وقد تم المعالجة المسبقة لمجموعة البيانات وتقليلها، وأُعدّت لتقديم تنبؤاتٍ فعّالة. واستُخدمت الدراسة عدة خوارزميات التصنيف التالية: Random Forest، Naive Bayes، KNN ، J48 Tree، وBayes Net. تم تنفيذ النموذج واختباره باستخدام تطبيق Weka، وجاءت معدلات الدقة للخوارزميات المذكورة على النحو التالي: Random Forest – %99.7885، Naive Bayes – %89.0624، KNN – %85.4659، J48 Tree – %99.7901، وBayes Net – %96.1946. وقد تم اختيار J48 Tree كأفضل خوارزمية بناءً على نسبة الدقة. وتم استخدام النموذج النهائي في التنبؤ، وأثبتت النتائج التجريبية كفاءة النموذج المُنفَّذ.
Text in English and abstract in Arabic & English.
Software Engineering
هندسة البرمجيات
Credit Risk Microfinance Data Mining Techniques
005.1
Credit risk analysis of microfinance using data mining techniques / تحليل مخاطر الائتمان للتمويل متناهى الصغر باستخدام تقنيات التنقيب عن البيانات by Sameh Hussein Ali Al-Bayoumi ; Supervised Prof. Dr. Lamiaa Fattouh, Dr. Atef Raslan. - 138 Leaves : illustrations ; 30 cm. + CD.
Thesis (M.Sc)-Cairo University, 2025.
Bibliography: pages 131-138.
Microfinance companies face numerous challenges associated with financing
activities, particularly in the non-bank sector. Each year, many cases are recorded where
individuals fail to repay the majority of their microfinance obligations, leading to
substantial financial losses. As a result, the risk involved in approving microfinance
requests remains high. In this study, a classification model was developed based on
microfinance data obtained from Tamweely company, with the aim of predicting the loan
repayment status of clients. The dataset underwent preprocessing, reduction, and
preparation to ensure efficient and accurate predictions. Several classification algorithms—
Random Forest, Naïve Bayes, K-Nearest Neighbors (KNN), J48 Tree, and Bayes Net—
were applied to build and evaluate the predictive models. The implementation and testing
of the models were carried out using the Weka 3.9.6 application. The accuracy results for
the applied algorithms were as follows: Random Forest – 99.7885%, Naïve Bayes –
89.0624%, KNN – 85.4659%, J48 Tree – 99.7901%, and Bayes Net – 96.1946%. Based
on its superior accuracy, the J48 Tree algorithm was selected as the final model for
prediction purposes. تواجه شركات التمويل متناهى الصغر تحدياتٍ عديدةً مرتبطةً بالتمويل واليوم، تتعدد المخاطر المرتبطة بالتمويل متناهى الصغر في القطاع المالى غير المصرفي. ففي كل عام، نواجه حالاتٍ عديدةً يتعثرون فيها الأفراد عن سداد معظم مبالغ التمويل متناهى الصغر للشركات، مما يُسبب خسائر فادحة لهذه الشركات. وتُعدّ المخاطر المرتبطة باتخاذ قرارات الموافقة على طلبات التمويل متناهى الصغر كبيرةً. في هذه الدراسة، تم بناء نموذج تصنيفٍ بناءً على بيانات التمويل متناهى الصغر تم الحصول عليها من شركة "تمويلي" للتنبؤ بحالة التمويل . وقد تم المعالجة المسبقة لمجموعة البيانات وتقليلها، وأُعدّت لتقديم تنبؤاتٍ فعّالة. واستُخدمت الدراسة عدة خوارزميات التصنيف التالية: Random Forest، Naive Bayes، KNN ، J48 Tree، وBayes Net. تم تنفيذ النموذج واختباره باستخدام تطبيق Weka، وجاءت معدلات الدقة للخوارزميات المذكورة على النحو التالي: Random Forest – %99.7885، Naive Bayes – %89.0624، KNN – %85.4659، J48 Tree – %99.7901، وBayes Net – %96.1946. وقد تم اختيار J48 Tree كأفضل خوارزمية بناءً على نسبة الدقة. وتم استخدام النموذج النهائي في التنبؤ، وأثبتت النتائج التجريبية كفاءة النموذج المُنفَّذ.
Text in English and abstract in Arabic & English.
Software Engineering
هندسة البرمجيات
Credit Risk Microfinance Data Mining Techniques
005.1