Overcoming payment behavior challenges: Classifying buy now pay later users with machine learning
Ödeme alışkanlığı zorluklarını aşmak: Makine öğrenimi ile şimdi al sonra öde kullanıcılarını sınıflandırma
- Tez No: 895443
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, Bilim ve Teknoloji, Maliye, Banking, Science and Technology, Finance
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri ve Veri Analitiği Ana Bilim Dalı
- Bilim Dalı: Veri Analitiği Bilim Dalı
- Sayfa Sayısı: 81
Özet
Gelişmekte olan ülkelerin ekonomileri yakından incelendiğinde yüksek borçlanma oranları, kısıtlı fonlama erişimi ve finansman erişiminde zorluklar gibi maddeler ön plana çıkmaktadır. Türkiye de gelişmekte olan ülkeler kategorisinde değerlendirilirken ek olarak geçtiğimiz dönemlerde sıkılaştırma politikaları kapsamında finansal istikrarı güçlendirmeye yönelik çeşitli adımlar atılmıştır. Bu adımlar içerisinde ihtiyaç kredileri, bireysel kredi kartları, taşıt kredilerinin risk ağırlıklarının artırıldığı ve kredi kartlarında uygulanacak taksitlendirmelerin belirli sektörlerde azaltılacağı ya da tamamen kaldırılacağı gibi maddeler yer almıştır. Böylelikle, tüketicilerin finansal erişimi giderek kısıtlanmaya devam etmektedir. Bu noktada, geleneksel finans sistemindeki kısıtlamalara başka bir seçenek olarak finansal teknoloji şirketleri farklı alternatifler sunmaktadır. Fintech şirketleri modern data analizi teknikleri ve yapay zeka gibi yeni nesil teknolojileri kullanarak müşterilerine düşük komisyonlu, hızlı ve inovatif çözümler sunmayı hedeflerler. Ayrıca, bu şirketler bankacılık sektörü erişimi olmayan kullanıcılara ek olarak kısıtlı erişimi olan ya da alternatif arayan kişilere ulaşmayı amaçlarlar. Bu çalışmada, öncelikle Fintech şirketlerinin gelişimi ve geleceğinden bahsedilmiş ve çalışmanın ana ürünü olan Şimdi Al Sonra Öde (BNPL) ürünü detaylı olarak açıklanarak küresel BNPL sağlayıcılarından örnekler verilmiştir. Ardından kredi riski ve kredi riskindeki makine öğrenmesi tekniklerinden de söz edilmiştir. Çalışma esnasında Londra merkezli bir Fintech şirketinin Türkiye'nin önde gelen perakende market zincirlerinden biri için geliştirdiği BNPL kredi ürününü kullanan yaklaşık 35.000 müşterisinin örnek verisi kullanılarak bunun üzerinden veri analizi yapılmıştır. Kullanıcılar için çok sınıflı bir segmentasyon problemi tasarlanmış, ve kullanılan kredilerin zamanında ödenip ödenmeyeceğini 3 farklı sınıfta tahmin etmek için popüler makine öğrenmesi yöntemleri kullanılmıştır. Deney aşamasında Random Forest, Extreme Gradient Boosting ve Deep Learning algoritmaları test edilerek modellere ilişkin performans tabloları hazırlanmıştır. Model performansları karşılaştırılırken accuracy, f1-score, roc curve gibi değerler ile birlikte confusion matrisi öncelikli metrikler olarak belirlenmiştir. Kredi riski modellemesi alanında sürekli olarak yeni yaklaşımlar ve yöntemler geliştirilmektedir. Bu gelişmeler, hem teorik hem de uygulamalı araştırmalar için geniş bir araştırma alanı sunmaktadır. Akademik çalışmalarda bu konuya odaklanmak, finansal sektördeki uygulamalı sonuçlar üzerinde önemli ve değerli katkılar sağlamaktadır. Özellikle, yeni modelleme tekniklerinin ve algoritmalarının geliştirilmesi, kredi riski değerlendirmelerinde doğruluğu ve güvenilirliği artırmakta, bu da finansal kuruluşların risk yönetimi süreçlerinde daha etkin kararlar alabilmelerine olanak tanımaktadır. Ayrıca, akademik araştırmaların pratik uygulamalarla entegrasyonu, sektördeki mevcut zorluklara yenilikçi çözümler sunarak, finansal istikrarı ve sürdürülebilirliği desteklemektedir. Bu bağlamda, kredi riski modellemesi üzerine yapılan akademik çalışmalar, hem teorik bilgi birikimine hem de finansal uygulamalara yönelik somut faydalar sağlayarak, sektörün gelişimine ve inovasyonuna katkıda bulunmaktadır. Sonuç olarak, kredi riski sınıflandırması yaparken makine öğrenmesi modellemelerinin kullanımının oldukça avantajlı olduğu tespit edilmiştir. Bununla birlikte model seçimine karar vermeden önce her zaman şirketlerin strateji ve politikaları göz önünde bulundurulmalı ve aynı zamanda almak istedikleri batık kredi riskleri değerlendirilmelidir.
Özet (Çeviri)
When the economies of developing countries are examined closely, issues such as high debt rates, limited access to funding and difficulties in accessing financing stand out. While Turkey is considered in the category of developing countries, various steps have been taken to strengthen financial stability within the scope of financial tightening policies in recent periods. These steps include steps such as increasing the risk weights of consumer loans, individual credit cards and vehicle loans, and reducing or eliminating the installments on credit cards in certain sectors. Thus, consumers' financial access continues to be increasingly restricted. At this point, Fintech companies offer different alternatives as another option to the restrictions in the traditional financial system. Fintech companies aim to offer low cost, fast and innovative solutions to their customers by using modern data analysis techniques and new generation technologies such as AI. Additionally, these companies aim to reach people who have limited access or are looking for alternatives, in addition to users who do not have access to the banking sector. In this study, first, the development and future of Fintech companies are mentioned and the main product of the study, Buy Now Pay Later, is explained in detail and examples from global BNPL providers are given. Then, credit risk and machine learning techniques in credit risk were also mentioned. During the study, data analysis was performed using sample data of approximately 35,000 customers using the BNPL loan product developed by a London-based Fintech company for one of Turkey's leading retail market chains. A multi-class segmentation problem was designed for users, and popular machine learning methods were used to predict in 3 different classes whether the loans will be paid on time or not. During the experimental phase, Random Forest, Extreme Gradient Boosting and Deep Learning algorithms were tested and performance tables for the models were prepared. When comparing model performances, values such as accuracy, f1-score, roc curve and confusion matrix were determined as priority metrics. As a result, it has been determined that the use of machine learning modeling is quite advantageous when classifying credit risk. However, before deciding on model selection, companies' strategies and policies should always be taken into consideration, and at the same time, the bad loan risks they want to take should be evaluated.
Benzer Tezler
- Makine öğrenmesi yöntemleriyle anormal içme suyu tüketimlerinin tespit edilmesi ve tahmin modellerinin geliştirilmesi
Detecting abnormal drinking water consumptions and developing forecast models by machine learning methods
İSMAİL GÜNEY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İHSAN HAKAN SELVİ
- Demokrat Parti Döneminde iktidar-sivil toplum kuruluşları ilişkileri: 1950-1960
Relations with non-governmental organizations Period ruling Democratic Party: 1950-1960
ALİ ŞAĞAN
Doktora
Türkçe
2013
Siyasal BilimlerMarmara ÜniversitesiAtatürk İlkeleri ve İnkılap Tarihi Ana Bilim Dalı
PROF. DR. CEMİL ÖZTÜRK
- Overcoming the problems of traditional performance appraisal process by using online system model case study faculty of applied administrative& financial sciences staff Tripoli-Libya
Online sistem modeli kullanılarak geleneksel performans değerlendirme süreci sorunlarının giderilmesi örnek olay çalışması uygulamalı idari ve finansal bilimler fakültesi kadrosu Trablus, Libya
SABRİ KHALİFA MOHAMED MANSOUR
- Importance of foreign trade policies, marketing strategies and payment methods in view of developing Turkey's foreign trade
Türkiye'de dış ticaretin gelişimi açısından dış ticaret politikaları, pazarlama stratejileri ve ödeme yöntemlerinin önemi
ZEYNEP DİNA ÇAKMUR
Yüksek Lisans
İngilizce
1998
İşletmeMarmara Üniversitesiİşletme (İngilizce) Ana Bilim Dalı
PROF. DR. AHMET SERPİL
- E-Güvenliğin tüketicilerin internet üzerinden alışveriş yapma tutumlarına etkisi : Kocaeli örneği
The effect of e-security on attitude of customers shopping on internet: An example of Kocaeli
CİHAN BİLGİÖZÜ