Bankacılık sektöründe makine öğrenmesi yöntemlerini kullanarak POS ciro tahmini
POS revenue estimation using machine learning methods in banking sector
- Tez No: 794630
- Danışmanlar: DOÇ. DR. TUFAN DEMİREL
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Sistem Mühendisliği Bilim Dalı
- Sayfa Sayısı: 86
Özet
Günümüzde büyük tutarlara ulaşan ödeme alma ve ödeme verme işlemlerinin sorunsuz ve hızlı şekilde sonuçlandırılmasını sağlayan ödeme sistemleri hayatın her alanında yüksek öneme sahiptir. Açılımı“Point of Sale”olan ve ödeme alma şekline göre ayrışan POS cihazları ise ödeme sistemlerinin temelini oluşturmaktadır. Finans sektöründe, Elektronik Fon Transferinin (EFT) yapılmasına olanak sağlayan POS cihazlarından geçen ciro işletmeler arasında rekabete neden olmaktadır. Yapılan çalışmada Türkiye'nin önde gelen katılım bankalarından birinde bireysel müşterilerden çok tüzel müşterilerin POS cihazlarından geçen ciro değerlerine odaklanılmaktadır. Böylelikle, portföy sorumlularının potansiyel tüzel POS müşterilerinin tespiti, yeni müşteri kazanımı ve banka stratejilerinin belirlenmesi hedeflenmektedir. Çalışma kapsamında 2021 yılı ağustos ayı ile 2021 yılı temmuz ayı arasında gerçekleşen veriler kullanılmıştır. Veriler 16 farklı bölgenin 402 şubesinden rastgele şekilde seçilmiştir. Veri seti 1500 gözlem biriminden ve 23 adet farklı değişkenden oluşmaktadır. Gözlem birimleri müşterileri ifade ederken değişkenler POS cirosunu etkileyebilecek müşteri bilgilerinden oluşmaktadır. Bu kapsamda sektörde önemli yere sahip tüzel banka müşterilerinin POS cihazlarından geçen aylık ciro değerlerine ait veri seti %80 eğitim -%20 test ve %70 eğitim-%30 test örneklemlerine göre denetimli makine öğrenmesi algoritmalarıyla (Tek Değişkenli Lineer Regresyon, Çok Değişkenli Lineer Regresyon, Ridge Regresyon, Lasso Regresyon, K-En Yakın Komşu, Random Forest,Karar Ağaçları ve XGBoost) R-Studio yazılım dilinde tahminlenmektedir. Veri setinin analizi sonrasında kullanılan algoritmaların performansı farklı istatistiksel ölçütlerle (r^2-korelasyon katsayısı, MSE- Ortalama Kare Hatası, RMSE- Ortalama Karekök Sapması, MAE- Ortalama Mutlak Değer) 10 Katlı Çapraz Doğrulama yöntemi kullanılarak kıyaslanmıştır. Kıyaslama sonucunda en iyi performans gösteren modelin XGBoost algoritması (%80 eğitim-%20 test) olduğu tespit edilmiştir.
Özet (Çeviri)
Today, payment systems, which ensure that large amounts of payment and payment transactions are concluded smoothly and quickly, have a high importance in all areas of life. POS devices, which stands for“Point of Sale”and are differentiated according to the payment method, form the basis of payment systems. In the finance sector, turnover passing through POS devices that allow Electronic Funds Transfer (EFT) causes competition among businesses. In this study, one of Turkey's leading participation banks focuses on the turnover values of corporate customers, which pass through POS devices rather than individual customers. Thus, it is aimed to identify potential corporate POS customers, to acquire new customers and to determine bank strategies of portfolio managers. Within the scope of the study, data from August 2021 to July 2021 were used. Data were randomly selected from 402 branches of 16 different regions. The data set consists of 1500 observation units and 23 different variables. While the monitoring units represent the customers, the variables consist of customer information that can affect the POS turnover. In this context, the data set of the monthly turnover values of corporate bank customers, which have an important place in the sector, passed through the POS devices, is used with supervised machine learning algorithms (Single Variable Linear Regression, Multivariate Linear Regression, Ridge Regression, Lasso Regression, K-Nearest Neighbor, Random Forest, Decision Trees and XGBoost) are estimated in R-Studio. After the analysis of the data set, the performance of the algorithms used was compared with different statistical criteria (r^2-correlation coefficient, MSE- Mean Squared Error, RMSE- Root Mean Squared Deviation, MAE- Mean Absolute Value) using the 10-fold Cross Validation method. As a result of the comparison, it was determined that the best performing model was the XGBoost algorithm (80% training-20% testing).
Benzer Tezler
- Hisse senedi fiyatlarının makine öğrenmesi kullanılarak tahmin edilmesi
Predicting stock prices using machine learning
AHMET YILDIRIM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. ALİ GÜNEŞ
- Bankacılıkta dijitalleşme süreci ve enflasyona etkisinin makine öğrenmesi yöntemi ile tespiti: Türkiye örneği
Prediction of the effect of digital transformation in banking on inflation with machine learning: A Türkiye study
AYŞE AKBOZ CANER
Doktora
Türkçe
2024
BankacılıkTarsus ÜniversitesiFinans ve Bankacılık Ana Bilim Dalı
DOÇ. DR. AYŞE ERGİN ÜNAL
DR. ÖĞR. ÜYESİ SERKAN NAS
- Comparative financial performance analysis of the Ethiopian and Turkish banking sectors: Application of traductional and machine learning methods
Etiyopya ve Türkiye bankacılık sektörlerinin karşılaştırmalı finansal performans analizi: Geleneksel ve makine öğrenimi yöntemlerinin uygulanması
IMAN MOHAMED LOUBACK
Yüksek Lisans
İngilizce
2024
BankacılıkOSTİM TEKNİK ÜNİVERSİTESİİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MELİKE AKTAŞ BOZKURT
- Simplifying balance sheet adjustment process in commercial loan applications using machine learning methods
Ticari kredi başvurularında şirket bilançoları üzerinde gerçekleştirilen aktarma-arındırma işlemlerinin makine öğrenmesi yöntemleri kullanılarak basitleştirilmesi
İBRAHİM TOZLU
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ
- Bankacılıkta robotik süreç otomasyonu projeleri için makine öğrenmesi yöntemleri ile karmaşıklık tahmini
Complexity estimation with machine learning methods for robotic process automation in banking
EBRU DEMİR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM