裕融車貸線上繳款的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

影響銀行授信戶協商違約成敗因素之探討─以消金無擔保客戶為例

為了解決裕融車貸線上繳款的問題，作者葉宣萱 這樣論述：

消費性放款中無擔放款相對於企業授信及擔保放款，其戶數十分龐大，但每筆金額小，如未獨立觀察其借戶違約情形，很可能因企業授信及擔保放款之餘額而稀釋個人信用貸款之逾放比，從而忽略個人信用貸款授信政策。尤其銀行業受卡債風暴衝擊以來，信用卡、現金卡及個人信用貸款總體業績呈直線下滑，不再有先前這麼大的誘因，面對日益惡化的消費性放款，若未作好風險控管，未來銀行必須增提備抵呆帳，影響銀行的收益。具體而言「協商」之本意是具正面積極的，當客戶信用發生警訊時，銀行必須確認風險來源，究係因客戶信用不當擴張或其收入結構改變，亦或是發生道德危險。但實質整個與客戶之「協商」程序對銀行人員是極花成本及時間的，而依照以往的實

證顯示從客戶申請協商到銀行審核通過，到日後有持續正常履約者，所佔比率很低，本研究則想探討；1.對於違約協商之申請客戶可更準確知道何者係真正具能力及誠意者，2.無誠意及能力之協商者也事先判別而不予受理，並將有限的成本和人力運用在對的協商客戶。本研究以資料探勘(Data Mining)之「決策樹」、「類神經」二種模式，與傳統統計技術之「區別分析」來進行實證結果之分析比較，建構可辨識具實效之潛在協商授信戶之預測模式。研究結果顯示，於27個研究變數中,任二種模型共有之變數共有7項，分別為「餘額/額度」、「預定繳息日」、「利率」、「期付金」、「失業率(%)」、「已正常繳款6個月以上」、「貸款種類」，而各

模型單獨有之變數則有5項「出生日期」、「協商註記」、「職業」、「學歷」、「通訊地址」，而各模式準確率(%)比較上，在訓練值上以「類神經」96.07 %最優，其次為「決策樹」92.94%，在測試值上以「決策樹」最優92.53%，其次為「類神經」92.47%，準確率均達90%以上，但「區別分析」在原始的及交叉驗證的準確度分別為75.15%、75.14%，兩者技術在準確率上亦差距甚大。由研究結果得知，在進行本研究預測授信戶協商違約之風險上，是較適宜以資料探勘人工智慧改良技術之方法來建構判別模式的。