Usage of Distributed Systems Data for Automated Financial Health Advice

Financial health is a subject that deeply affects the choices and decisions one takes everyday, but for most people, financial concepts are difficult to understand. Financial illiteracy worldwide amounts to approximately 67%, and in Sweden, being one of the world’s least financial illiterate countries, it is around 29% [1]. The goal of this research is to be able to provide more insights into an individual’s financial health situation. During the development, several steps have been taken so as to make a program which will predict the customer’s risk capacity, which means the risk an individual has to take in order to achieve his or her goals. First, a program is developed to map occupations into their closest job titles using NLP, which has to be done so as to be able to use occupations for Data Mining. Then, a case-based recommender system is developed in order to get insights into the customer’s data about the their personal financial situation. Finally, based on the above, using the customer’s profile information and following the CRISP-DM methodology, be able to predict the risk capacity of the customer using Machine Learning and Deep Learning techniques.Ekonomisk hälsa är ett ämne som djupt påverkar de val och beslut man tar varje dag, men för de flesta är finansiella koncept svåra att förstå. Finansiell obildning över hela världen uppgår till cirka 67%, och i Sverige, som är ett av världens minst finansiella analfabeter, är det cirka 29% [1]. Målet med denna forskning är att kunna ge mer inblick i individens finansiella hälsosituation. Under utvecklingen har flera steg tagits för att skapa ett program som kommer att förutsäga kundens riskkapacitet, vilket innebär att en individ måste ta för att uppnå sina mål. Först utvecklades ett program för att kartlägga yrken i sina närmaste jobbtitlar med hjälp av NLP, vilket snabbt görs för att kunna använda yrken för Data Mining. Sedan utvecklas ett ärende-baserat rekommendationssystem för att få insikt i kundens data om deras personliga ekonomiska situation. Slutligen, baserat på ovanstående, genom att använda användarens profilinformation och följa CRISP-DM metodiken, kunna förutsäga användarens riskkapacitet med hjälp av Machine Learning och Deep Learning tekniker