[논문 리뷰] Introducing a hybrid model of DEA and data mining in evaluating efficiency. Case study: Bank Branches

Sara Hosseinzadeh Kassani, Peyman Hosseinzadeh Kassani외 1명|arXiv (Cornell University)|2018. 10. 10.

Efficiency Analysis Using DEA참고 문헌 7인용 수 13

한 줄 요약

이 논문은 은행 지점의 효율성 평가 및 분류를 위해 데이터 효율성 분석(DEA), 계층적 군집화, 자기조직화 맵(SOM), 그리고 감소된 다변량 다항식 분류기의 하이브리드 모델을 제안한다. 먼저, DEA 기반 효율성 점수를 산출하고, 통계적 및 SOM 기반 방법을 사용해 지점을 군집화한 후, 높은 정확도로 효율성 등급을 예측하는 다항식 모델을 적용하여 지점 수준의 성과 향상에 실질적인 통찰을 제공한다.

ABSTRACT

The banking industry is very important for an economic cycle of each country and provides some quality of services for us. With the advancement in technology and rapidly increasing of the complexity of the business environment, it has become more competitive than the past so that efficiency analysis in the banking industry attracts much attention in recent years. From many aspects, such analyses at the branch level are more desirable. Evaluating the branch performance with the purpose of eliminating deficiency can be a crucial issue for branch managers to measure branch efficiency. This work not only can lead to a better understanding of bank branch performance but also give further information to enhance managerial decisions to recognize problematic areas. To achieve this purpose, this study presents an integrated approach based on Data Envelopment Analysis (DEA), Clustering algorithms and Polynomial Pattern Classifier for constructing a classifier to identify a class of bank branches. First, the efficiency estimates of individual branches are evaluated by using the DEA approach. Next, when the range and number of classes were identified by experts, the number of clusters is identified by an agglomerative hierarchical clustering algorithm based on some statistical methods. Next, we divide our raw data into k clusters By means of self-organizing map (SOM) neural networks. Finally, all clusters are fed into the reduced multivariate polynomial model to predict the classes of data.

연구 동기 및 목표

• 은행 부문의 지점 수준 효율성 평가를 위한 통합 프레임워크를 개발하기 위해.
• 성과 지표를 바탕으로 은행 지점을 고유한 효율성 등급으로 분류하고 식별하기 위해.
• DEA를 데이터 마이닝 기법과 융합하여 효율성 평가의 정확성과 해석 가능성 향상시키기 위해.
• 은행 관리자들이 성과가 열악한 지점을 식별하고 타겟화된 향상 전략을 안내할 수 있도록 지원하기 위해.
• 이ран 은행 지점의 실질 데이터를 사용하여 모델을 검증하기 위해.

제안 방법

• 먼저, 입력 및 출력 변수를 사용하여 개별 은행 지점의 효율성 점수를 산출하기 위해 데이터 효율성 분석(DEA)을 적용한다.
• 다음으로, 통계적 검증 방법을 기반으로 최적의 효율성 등급 수를 결정하기 위해 적합한 계층적 군집화 알고리즘을 사용한다.
• 그런 다음, 비지도 패턴 인식을 위해 자기조직화 맵(SOM) 신경망을 사용하여 데이터를 k개의 군집으로 분할한다.
• 각 군집에 대해 감소된 다변량 다항식 모델을 학습시어 새로운 데이터 포인트의 효율성 등급을 예측한다.
• 모델은 DEA의 효율성 측정 기능과 데이터 마이닝의 패턴 인식 능력을 융합하여 분류 정확도와 관리적 통찰력을 향상시킨다.
• 전문가의 판단을 활용하여 효율성 등급의 범위와 수를 정의하여 실용적 관련성을 확보한다.

실험 결과

연구 질문

• RQ1 DEA를 데이터 마이닝 기법과 효과적으로 융합하여 은행 지점의 효율성 분류를 어떻게 향상시킬 수 있는가?
• RQ2 통계적 및 군집 검증 기반으로 볼 때 은행 지점의 최적의 효율성 등급 수는 얼마인가?
• RQ3 자기조직화 맵(SOM)이 효율성 프로파일에 기반한 은행 지점 군집화를 어떻게 향상시킬 수 있는가?
• RQ4 다항식 분류기가 각기 다른 효율성 군집 간에 예측 정확도를 얼마나 향상시키는가?
• RQ5 이 하이브리드 모델은 지점 수준의 성과 향상에 있어 실질적인 관리 의사결정을 어떻게 지원할 수 있는가?

주요 결과

• 하이브리드 모델은 높은 정확도로 은행 지점을 고유한 효율성 등급으로 분류하여 타겟팅된 성과 개선 조치를 가능하게 하였다.
• DEA와 군집화 및 다항식 분류의 융합은 단독으로 사용할 경우보다 효율성 평가의 해석 가능성과 정밀도를 향상시켰다.
• 계층적 군집화와 SOM 기반 분할을 통해 더 일관되고 의미 있는 효율성 군집을 도출하였다.
• 감소된 다변량 다항식 모델은 각 군집 내에서 뛰어난 예측 성능를 보이며 분류 신뢰도를 향상시켰다.
• 모델은 성과가 열악한 지점을 식별하고 주요 비효율성 패턴을 부각시켜 지점 관리자에게 실질적인 통찰을 제공하였다.
• 이러한 접근은 이ран 은행 지점의 실질 데이터를 활용한 실제 적용에서 효과를 입증하여 실용적 유용성을 입증하였다.