Bankacılıkta yapay zekâ destekli müşteri bilgilerine dayalı yatırım fonu seçimi
Selection of investment funds based on customer information supported by artificial intelligence in banking
- Tez No: 1006370
- Danışmanlar: DOÇ. DR. CAFER BUDAK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bankacılık sektörü, yapay zekâ algoritmalarının kullanımı sayesinde doğru ürünü, doğru müşteriye sunma açısından başarılı sonuçlar elde edilmesi konusunda büyük ilerleme kaydetmektedir. Yapay zekâ, bilgisayar yazılımlarıyla ses tanıma, akıl yürütme, insan düşüncelerini taklit etme ve algıya yönelik tepki verme gibi yeteneklere sahip bir dizi kodlamadır. Bu yetenekler, bankacılık sektöründe verimliliği artırma, müşteri deneyimini iyileştirme ve güvenlik risklerini azaltma gibi önemli faydalar sunmaktadır. Yapay zekâ, bankacılık sektöründe fon alım-satım süreçlerinde de kritik bir rol oynamaktadır. Tezin kapsamı, Bankacılık sektöründe yatırım ürünü olan fon alım-satım işlemleri yaparken yapay zekânın desteği ile müşteri demografik bilgilerini önceden geliştirilmiş makine öğrenme modeline ileterek müşteriye uygun yatırım fon türünü ve risk seviyesine ilişkin öneri konusunda destek sunmayı hedeflemektedir. Çalışmada kullanılan veri seti, özel bir bankaya ait ve Kişisel Verilerin Korunması Kanunu kapsamında anonimleştirilmiş 156 müşteri gözleminden oluşmaktadır. Küçük örneklem büyüklüğünün yaratabileceği aşırı uyum riskini azaltmak amacıyla Gaussian Copula yöntemiyle 1.000 sentetik gözlem üretilmiş; kalite doğrulama analizleri (R²≥0.986; KS p>0.05) sentetik verinin orijinal dağılımı yüksek doğrulukla temsil ettiğini göstermiştir. Böylece orijinal (n=156), sentetik (n=1000) ve birleşik (n=1156) olmak üzere üç farklı veri yapılandırması üzerinde deneyler gerçekleştirilmiştir. Fon türü ve risk seviyesinin tahmini için Python ile lojistik regresyon, karar ağacı ve rastgele orman sınıflandırıcıları uygulanmıştır. Modeller; doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC ölçütleriyle çok boyutlu biçimde karşılaştırılmıştır. Risk seviyesi değişkenini içermeyen S0 senaryosunda modeller 0.29–0.43 doğruluk aralığında kalırken, risk değişkeninin eklendiği S1 senaryosunda tüm modeller %89'un üzerine çıkmış; rastgele orman %94.80 doğruluk oranıyla en iyi performansı sergilemiştir. Öğrenme eğrisi analizleri, sentetik veri desteğinin aşırı uyum boşluğunu 0.638'den 0.421'e düşürdüğünü ortaya koymuştur. Çalışma bulguları; fon süresi, işlem hacmi, mesleki deneyim ve gelir düzeyi gibi değişkenlerin yatırım fonu tercihini belirleyen en güçlü faktörler olduğuna işaret etmektedir.
Özet (Çeviri)
The banking sector has made significant progress in delivering the right product to the right customer through the use of artificial intelligence algorithms. Artificial intelligence refers to a set of coded systems capable of performing tasks such as speech recognition, reasoning, mimicking human thinking, and responding to perceptual inputs through computer software. These capabilities provide important benefits in the banking sector, including increasing efficiency, improving customer experience, and reducing security risks. Artificial intelligence also plays a critical role in fund buying and selling processes within the banking sector. The scope of this thesis aims to provide support in recommending the appropriate type of investment fund and risk level to customers by transmitting customer demographic information to a pre-developed machine learning model with the assistance of artificial intelligence during investment fund trading transactions. The dataset consists of anonymized records from 156 customers belonging to a private bank, compiled in accordance with the Personal Data Protection Law. To mitigate overfitting risks arising from the limited sample size, 1,000 synthetic observations were generated using the Gaussian Copula method; quality validation analyses (R²≥0.986; KS p>0.05) confirmed that the synthetic data faithfully reproduced the original distributions. Experiments were thus conducted across three dataset configurations: original (n=156), synthetic (n=1,000), and combined (n=1,156). Logistic regression, decision tree, and random forest classifiers were applied using Python to predict fund type and risk level. Models were compared using accuracy, precision, recall, F1-score, and ROC-AUC metrics. In the S0 scenario (without risk level), models achieved accuracy in the 0.29–0.43 range; in the S1 scenario (with risk level included), all models exceeded 89% accuracy, with the random forest reaching 94.80%. Learning curve analyses demonstrated that synthetic data augmentation reduced the overfitting gap from 0.638 to 0.421. The study findings indicate that fund duration, transaction volume, professional experience, and income level are the most discriminative predictors of investment fund preference.
Benzer Tezler
- Makine öğrenmesi yöntemleri ile el ve yüz analizi tahminlemesi
Hand and face analysis prediction with machine learning methods
HÜSNEİREM KAYA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KAYHAN AYAR
- Banka müşteri kayıplarının öngörülmesinde makine öğrenmesi yaklaşımları ve sentetik veri kullanımı
Machine learning approaches and usage of synthetic data for predicting bank customer churn
KÜBRA KONUR
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İHSAN KAYA
- Mobil bankacılıkta müşteri algıları, yapay zekâ destekli müşteri deneyimi, müşteri memnuniyeti ve sadakati arasındaki etkileşim: S–O–R çerçevesi ve tam modeli uygulaması
The interactions between customer perceptions, AI-enabled customer experience, customer satisfaction, and loyalty in mobile banking: Application of S-O-R framework and tam model
SAYED FATAH SADAT
Doktora
Türkçe
2026
BankacılıkNevşehir Hacı Bektaş Veli Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SEÇME
- Bankacılık işlemlerinde müşteri edinimi ve müşteri kaybının yapay zeka ile değerlendirilmesi
Assessment of customer acquisition and closure in banking transactions with artificial intelligence
BETÜL KOKULU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH BAŞÇİFTÇİ
- Mobil bankacılık ve yapay zekâ teknolojilerine dayalı mobil bankacılık kullanımının müşteri memnuniyetine etkisi
The ımpact of mobile banking usage based on mobile banking and artificial ıntelligence technologies on customer satisfaction
FATMA KUZUKERPİÇ YILDIZ
Yüksek Lisans
Türkçe
2025
Uluslararası TicaretSelçuk ÜniversitesiUluslararası Ticaret Ana Bilim Dalı
DOÇ. DR. RESUL ÖZTÜRK