Makine öğrenmesi yöntemleri kullanılarak borç ödeme hareketlerinin analizi ile kredi skoru tahmini
Prediction a credit score with analysis of debt payment transactions using machine learning algorithms
- Tez No: 937616
- Danışmanlar: DOÇ. DR. EMEL ARSLAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Kredi skorlama, Makine öğrenmesi, Yapay zeka, Yeniden örnekleme, Çoklu sınıflandırma, Credit scoring, Machine learning, Artificial intelligence, Resampling, Multi classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Finans sektörünün hızla büyümesiyle birlikte finansal risklerin minimize edilmesi konusunun önemi de artmaktadır. Bireysel borçlanmanın en yaygın biçimi olan kredi kullanımı da bu riskler arasında en başta yer almaktadır. Kredi sağlayıcılar, kredi başvurusu yapan kişinin geri ödeme riskini öngörecek sistemler kullanarak kişiye kredi verme ya da vermeme kararını vermektedir. Türkiye'de kullanılan kredi skoru Kredi Kayıt Bürosu (KKB)'ndan sağlanmaktadır. Fakat bu skor yalnızca geçmiş kredi ödemelerini baz alarak bir risk değerlendirmesi yaptığından bazı durumlarda yetersiz kalmaktadır. Bu çalışmada makine öğrenmesi (Machine Learning- ML) ve açıklanabilir yapay zeka teknikleri (Explainable Artificial Intelligence- XAI) kullanılarak yeni ve alternatif bir kredi skoru önerilmektedir. Tez çalışmamızda literatürde yer alan çalışmaların aksine, kredi skoru tahmini için kredi veya kredi kartı geçmişi baz alınmamış; Türkiye' de yer alan bir fatura ödeme kuruluşuna ait gerçek fatura ödeme hareketlerinden, kişi bazlı fatura ödeme alışkanlıkları analizi yapılmış ve elde edilen veri, gerçek KKB skoru ile birleştirilmiştir. Tez çalışmasında veri temizleme, veri ölçeklendirme, yapay örnekleme teknikleri, sınıflandırma algoritmaları, çapraz doğrulama ve açıklanabilir yapay zeka teknikleri kullanılmıştır. Sonuçlar birçok değerlendirme metriği ile doğrulanarak yeni bir model önerilmiştir. Önerilen makine öğrenmesi modeli, özellikle bankacılık ve finans sektöründe makine öğrenmesi modellerinin kullanımı ve karmaşık modellerin kullanıcı tarafından anlaşılabilir ve yorumlanabilir olması açısından önemlidir. Çalışmada sunulan model, geleneksel bir kredi skoru bulunmayan kişiler için alternatif bir skorlama yöntemi olarak kullanılabilir. Kredi skoru bulunan kişiler için ise var olan puana katkı sağlayacak veya doğrulama amaçlı bir çıktı olarak değerlendirilebilir.
Özet (Çeviri)
With the rapid expansion of the financial sector, minimizing financial risks has become increasingly crucial. Among these risks, credit use, the most common form of individual borrowing, takes the centre stage. Credit providers use systems that predict the repayment risk of the applicant to decide whether to grant credit to the applicant or not. In Turkey, the Credit Registry Bureau (KKB) provides the widely used credit score. However, as this score primarily evaluates risks based on past payment behaviour, it can sometimes fall short in offering a comprehensive assessment. This study introduces an alternative credit scoring model using machine learning (ML) and explainable artificial intelligence (XAI) techniques. Unlike previous studies, this thesis does not rely on credit or credit card history for credit score estimation. Instead, it analyses individual bill payment habits using real transaction data from a bill payment institution in Turkey, combined with actual KKB scores. The methodology includes data cleaning, scaling, artificial sampling, classification algorithms, cross-validation, and XAI techniques. The model was validated through multiple evaluation metrics, resulting in a novel approach to credit scoring. The proposed machine learning model holds significant importance, particularly for the application of machine learning models in the banking and finance sector. It is also important for users to understand and interpret the complex models. The model presented in this study offers an alternative scoring method for individuals without a traditional credit score. For those with an existing credit score, it can serve as a complementary tool to enhance the current score or as a means of verification.
Benzer Tezler
- 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
- Enerji sektöründe makine öğrenmesi algoritmaları kullanılarak müşterilerin tahsilat potansiyellerinin değerlendirilmesi
Assessing the collection potential of customers in the energy sector using machine learning algorithms
EMİNE CEREN ÖZAY
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERMAN ÇAKIT
- Makine öğrenmesi ve istatiksel yöntemlerle borç tahsilat skorlama
Machine learning and statistical methods debt collection scoring
EDA EŞMEKAYA
Yüksek Lisans
Türkçe
2020
İşletmeİstanbul Şehir Üniversitesiİş Analitiği Ana Bilim Dalı
DOÇ. DR. ENES ERYARSOY
- Anomaly detection using machine learning techniques: A comparative study on first payment default prediction in retail loans
Yapay öğrenme yöntemleriyle anomali saptanması: Bireysel kredilerde ilk ödemede batma tahmini üzerine karşılaştırmalı bir çalışma
AHMET TALHA YİĞİT
Yüksek Lisans
İngilizce
2022
Bankacılıkİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Makina öğrenmesi teknikleri ile hukuki alacak tahsilat kuruluşu dosya kapatılabilirlik tahmini ve atama modeli ile dosya ataması: Telekomünikasyon sektörü örneği
Predicting case closeability of legal debt collecti̇on agency with machine learni̇ng teqniques and assignment of cases with closibility based assignment model: A case study on telecomunication sector
NİLÜFER ALTINOK
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BAŞAR ÖZTAYŞİ