نظام بانکی به عنوان یکی از ارکان‌های مالی کشور، نقشی اساسی در توسعه اقتصادی دارد. یکی از چالش‌های مهم بانک‌ها در ارائه تسهیلات، شناخت دقیق مشتریان و تمایز میان گروه‌های مختلف از آن‌هاست. این پژوهش با هدف شناسایی و دسته‌بندی مشتریان بانکی بر اساس ریسک اعتباری و پیش‌بینی احتمال نکول آن‌ها با استفاده از مدل‌های یادگیری ماشین انجام می‌شود. نتایج دسته‌بندی با الگوریتم میانگین کا (K-means) نشان داد که مشتریان به چهار گروه اصلی تقسیم می‌شوند. خوشه چهارم شامل مشتریان پرریسکی است که بدهی‌های معوقه بالا و تسهیلات نکول‌شده دارند و نیازمند نظارت دقیق‌اند. خوشه سوم مشتریان بحران‌سازی را شامل می‌شود که با بدهی‌های معوقه بالا در معرض انتقال به گروه پرریسک قرار دارند. خوشه دوم شامل مشتریان با ریسک متوسط است که هرچند پایدارند، اما به نظارت نیاز دارند. خوشه اول نیز مشتریان کم‌ریسکی را شامل می‌شود که بدهی‌های معوقه کمی دارند و بهترین گزینه برای اعطای تسهیلات جدید هستند. در این پژوهش، از مدل‌های ایکس‌جی‌بوست و لاجیت برای پیش‌بینی نکول استفاده شده است. مدل ترکیبی ارائه‌شده به بانک‌ها کمک می‌کند تا استراتژی‌های موثرتری برای مدیریت ریسک و تخصیص بهینه منابع مالی تدوین کرده و جایگاه رقابتی خود را در بازار تقویت کنند.