Page 43 - 60 ปี สศค
P. 43
3.4 การว่เคราะห์ป้ัจจัยที่่�ส�งผลักระที่บต้�อการเข็้าถึงแหลั�งเง่นที่่นข็องผู้ป้ระกอบการข็นาดกลัางแลัะข็นาดย�อมี (SMEs)
ภาพที� 6 เป็นการวิเคราะห์ขึ้้อมีูลัขึ้นาดใหญ่ขึ้องสิถาบันการเงิน แลัะไมี่ดี เพ่�อค้นหาปัจจัยสิำคัญที�มีีผลัต่อการผิดนัดช่ำระ แลัะนำไปสิู่
เฉพาะกิจ (Specialized Financial Institutions: SFIs) เพ่�อสินับสิน่น สิถานะการเป็น NPL พบว่า SMEs บางรายมีีสิถานะที�เปลัี�ยนไปมีา ถ้ง
ผู้ประกอบการ SMEs ให้เขึ้้าถ้งแหลั่งเงินท่น สิินเช่่�อในระบบสิถาบัน จ่ดนี� Machine Learning มีีสิ่วนสิำคัญที�จะช่่วยในการทำนายวิเคราะห์
การเงิน โดยวิเคราะห์ประวัติสิถานะทางการเงินขึ้อง SMEs แต่ลัะรายที�มีี ความีน่าจะเป็นขึ้องการเปลัี�ยนสิถานะ SMEs ทำให้หน่วยงานที�เกี�ยวขึ้้อง
สิถานะเป็น PL แลัะ NPL เป็นการศ้กษาบริบทขึ้อง SMEs ที�มีีประวัติดี สิามีารถเขึ้้าถ้งแลัะช่่วยเหลั่อ SMEs แต่ลัะรายได้
ภาพที่่� 6 แสดง Dashboard รายงานื่การวิเคราะห์ป็ัจจัยที่่�ส�งผู้ลุ่กระที่บต�อ SMEs
Machine Learning ม่สิ่่วินสิ่ำคัญที่่�จะชี้่วิยในการที่ำนาย
วิิเคราะห์์ควิามน่าจะเป็็นขึ้องการเป็ล่�ยนสิ่ถืานะ SMEs ที่ำให์้
ห์น่วิยงานที่่�เก่�ยวิขึ้้องสิ่ามารถืเขึ้้าถื้งและชี้่วิยเห์ล้อ SMEs
แต่ละรายได้
60 ปี วิวัฒน์การเงินการคลังไทย สู่ก้าวต่อไปเพื่อเศรษฐกิจสมดุล 41
