Data Analytics Driven Quadratic Optimization for Solving Agent-Debtor Assignment in Debt Recovery Problem
Uloženo v:
| Vydáno v: | PQDT - Global (2025) |
|---|---|
| Hlavní autor: | |
| Vydáno: |
ProQuest Dissertations & Theses
|
| Témata: | |
| On-line přístup: | Citation/Abstract Full Text - PDF Full text outside of ProQuest |
| Tagy: |
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
|
MARC
| LEADER | 00000nab a2200000uu 4500 | ||
|---|---|---|---|
| 001 | 3264105551 | ||
| 003 | UK-CbPIL | ||
| 020 | |a 9798297624139 | ||
| 035 | |a 3264105551 | ||
| 045 | 2 | |b d20250101 |b d20251231 | |
| 084 | |a 189128 |2 nlm | ||
| 100 | 1 | |a Karabaş, Toygun | |
| 245 | 1 | |a Data Analytics Driven Quadratic Optimization for Solving Agent-Debtor Assignment in Debt Recovery Problem | |
| 260 | |b ProQuest Dissertations & Theses |c 2025 | ||
| 513 | |a Dissertation/Thesis | ||
| 520 | 3 | |a Late payments and irrecoverable debts are rising in today's economy, and proper management is crucial for financial stability. An effective debt collection process begins with the analysis of historical customer data to identify payment trends. The key challenge is to assign the most suitable agents to debtors for recovery. This work proposes a novel hybrid optimization framework which is composed of two phases. In the first phase, a machine learning-based predictive analytics pipeline is proposed to predict the debt recovery rate of all agent-debtor pairs. The second phase addresses the problem of grouping agents and debtors simultaneously and matching those groups with each other in a way that maximizes recovery efficiency. This problem is formulated as a constrained binary optimization problem that proposes quadratic and linear mathematical models. To solve these mathematical models in a reasonable time, three optimization approaches are proposed. This hybrid optimization framework is tested with synthetic and mimicked data. Günümüz ekonomisinde gecikmiş ödemeler ve tahsil edilemeyen borçlar artmaktadır ve finansal istikrar için uygun yönetim çok önemlidir. Etkili bir borç tahsilatı süreci, ödeme eğilimlerini belirlemek için geçmiş müşteri verilerinin analiziyle başlar. Temel zorluk, tahsilat için en uygun temsilcilerin borçlulara atanmasıdır. Bu çalışma, iki aşamadan oluşan yeni bir hibrit optimizasyon çerçevesi önermektedir. İlk aşamada, temsilci-borçlu çiftlerinin borç tahsilat oranını tahmin etmek için makine öğrenimi tabanlı bir öngörücü analitik süreç geliştirilmiştir. İkinci aşama, temsilcileri ve borçluları aynı anda gruplandırma ve bu grupları tahsilat verimliliğini en üst düzeye çıkaracak şekilde birbirleriyle eşleştirme problemini ele almaktadır. Bu problem, ikinci dereceden ve doğrusal matematiksel modeller öneren kısıtlı "0-1 Tamsayılı" bir optimizasyon problemi olarak formüle edilmiştir. Bu matematiksel modelleri makul bir sürede çözmek için üç optimizasyon yaklaşımı önerilmiştir. Geliştirilen hibrit optimizasyon yapısı sentetik ve simüle edilmiş verilerle test edilmiştir. | |
| 653 | |a Debt management | ||
| 653 | |a Machine learning | ||
| 653 | |a Predictive analytics | ||
| 653 | |a Success | ||
| 653 | |a Recommender systems | ||
| 653 | |a Assignment problem | ||
| 653 | |a Collection services | ||
| 653 | |a Decision making | ||
| 653 | |a Business metrics | ||
| 653 | |a Industrial engineering | ||
| 653 | |a Artificial intelligence | ||
| 653 | |a Finance | ||
| 773 | 0 | |t PQDT - Global |g (2025) | |
| 786 | 0 | |d ProQuest |t ProQuest Dissertations & Theses Global | |
| 856 | 4 | 1 | |3 Citation/Abstract |u https://www.proquest.com/docview/3264105551/abstract/embedded/L8HZQI7Z43R0LA5T?source=fedsrch |
| 856 | 4 | 0 | |3 Full Text - PDF |u https://www.proquest.com/docview/3264105551/fulltextPDF/embedded/L8HZQI7Z43R0LA5T?source=fedsrch |
| 856 | 4 | 0 | |3 Full text outside of ProQuest |u https://open.metu.edu.tr/handle/11511/115647 |