การจัดกลุ่มลูกหนี้ค้างชำระสินเชื่อธุรกิจขนาดกลางและขนาดย่อมโดยใช้เทคนิคเหมืองข้อมูล กรณีศึกษาของธนาคารพาณิชย์แห่งหนึ่ง

Abstract

วัตถุประสงค์การวิจัยครั้งนี้เพื่อจัดกลุ่มเพื่อหาลักษณะปัจจัยสำคัญประจำกลุ่มลูกค้าค้างชำระของสินเชื่อธุรกิจขนาดกลางและขนาดย่อมของธนาคารพาณิชย์ การวิจัยครั้งนี้เป็นการวิจัยเชิงทดลองเป็นตัวแปรเชิงปริมาณเท่านั้นโดยใช้ข้อมูลลูกค้าประเภทบริษัทและห้างหุ้นส่วนจำกัดของลูกค้าสินเชื่อธุรกิจขนาดกลางและขนาดย่อมที่ค้างชำระหนี้ กรณีศึกษาธนาคารพาณิชย์แห่งหนึ่ง ซึ่งกลุ่มข้อมูลตัวอย่างทั่วประเทศจำนวน 962 ราย ข้อมูลตั้งแต่เดือนมกราคม-ตุลาคม ปี 2559 เครื่องมือที่ใช้วิเคราะห์ด้วยเทคนิคการทำเหมืองข้อมูล โดยการจัดกลุ่ม(Clustering data)โดยวิธี K-means ผลการวิเคราะห์สามารถจัดกลุ่มได้ทั้งหมด 5 กลุ่ม โดยมีลักษณะดังนี้ กลุ่มที่1 และ กลุ่มที่2 ขั้นวางใจได้ มีจำนวนวันค้างชำระอยู่ในระดับต่ำซึ่งน้อยกว่า 13 วัน และความสามารถในการชำระหนี้น้อย โดยแตกต่างกันที่ประเภทอุตสาหกรรมและหลักประกันซึ่งกลุ่มที่ 1 อุตสาหกรรมอสังหาริมทรัพย์ ศิลปะความบันเทิง หลักประกันประเภทบุคคล,ที่ดินและสิ่งปลูกสร้าง กลุ่มที่ 2 อุตสาหกรรมประเภทค้าปลีกค้าส่ง ซื้อมาขายไป รวมไปถึงอุตสาหกรรมที่เกี่ยวกับเหมือง หลักประกันประเภทบัญชีเงินฝาก-สินทรัพย์และหนังสือสัญญาค้ำประกัน(บสย) กลุ่มที่ 3 ขั้นติดตาม มีวันที่ค้างชำระอยู่ระหว่าง 13-48 วัน และความสามารถในการชำระหนี้น้อย ประเภทอุตสาหกรรมที่เกี่ยวกับอุตหกรรมการผลิต โรงแรม หลักประกันที่ดินและสิ่งปลูกสร้าง กลุ่มที่ 4 ขั้นติดตามด่วน มีวันที่ค้างชำระอยู่ระหว่าง 48-81 วัน ความสามารถในการชำระหนี้สูง อุตสาหกรรมรับเหมาก่อสร้าง และธุรกิจเกี่ยวการเงิน หลักประกันบุคคล,ที่ดินและสิ่งปลูกสร้าง กลุ่มที่ 5 ขั้นรุนแรง มีวันที่ค้างชำระมากกว่า 81-115 วัน มีความสามารถในการชำระหนี้น้อย ประเภทอุตสาหกรรมอิเล็กโทรนิค น้ำมัน แก๊ส และธุรกิจเกี่ยวกับการบริการ หลักประกันบุคคล,หนังสือสัญญาค้ำประกัน(บสย) ผลที่ได้รับจากการทำเหมืองข้อมูล สามารถนำมาวิเคราะห์ปัญหาและนำมาปรับปรุงวางแผนงานให้กับธนาคารและนำไปประยุกต์ใช้ในหน่วยงานต่าง ๆ ในองค์กร

Research Objectives is to group and identify the key characteristics of the outstanding-debts customers of small and medium business loans of commercial banks. This research is an experimental research which is only quantitative one by using the data of the small and medium company limited and partnership limited whose currently have outstanding debts with the bank. A case study of a commercial bank, the data of 962 companies nationwide is from January to October 2016. Data mining techniques is being used to analyzed the information by clustering data by K-means method. The analysis result can be assembled into five groups are as follows. Group1 and Group2 are in reliable stage which has low overdue, less than 13 days. They have low ability to repay. The differences between these two groups are business industry and collateral. Group 1: Real estate industry Arts & Entertainment Individual- collateral, land and buildings. Group 2: Retail, wholesale and retail, trading, including mine-related industries, cash deposit as collateral - Asset and Thai Credit Guarantee Corporation (Bor Sor Yor). Group 3: follow-up stage, this group has an unsettle days between 13-48 days and low ability to pay. Category of Industry: Manufacturing, Hotel, Land and Building collateral. Group 4: Urgent follow-up Step, the outstanding days are between 48-81 days. Ability to repay is high. Construction industry and financial business, individual-collateral, land and building. Group 5: Severe stage, they has overdue days of over 81-115 days. Ability to repay is low. Electronics industry, oil, gas, servicing business, individual-collateral Thai Credit Guarantee Corporation (Bor Sor Yor). Result of Data Mining, It can be used to analyze the problems, improve and plan strategy of the bank and apply it to various departments in the organization.Keywords: group analysis, K-means, credit