Makine öğrenmesi algoritmaları ile suistimallerin belirlenmesi

Kurumlar için tehdit unsuru olarak görülen suistimaller, kurumların yalnızca itibarını zedeleyip, güvensizlik ortamı oluşturmakla kalmayıp, faaliyetlerinin sonlandırılmasına neden olacak kadar etkili olabilmektedir. Suistimaller, yönetilmesi gereken en önemli kurumsal risklerden biri olmakla birlikte, bu riskin gerçekleşmesi durumunda ise sosyal ve ekonomik açıdan birçok olumsuz sonuç ile karşılaşılabilmektedir. Bu bağlamda, böyle bir riski yönetebilmek ve beraberinde sürdürülebilirliği sağlamak için, suistimallerin önlenmesi ve büyük boyutlara ulaşamadan ortaya çıkarılmasına yönelik, başta bankacılık ve finans sektöründe olmak üzere tüm sektörlerde faaliyet gösteren organizasyonların, nitelikli insan kaynağının yanı sıra veri analitiğine dayalı teknolojiye yatırım yapmaları kaçınılmaz olmuştur. Bu tez çalışmasının amacı, bankacılık ve finans sektöründeki suistimallerin ortaya çıkarılması konusunda, çalışanların demografik, mesleki ve finansal bilgileri üzerinden makine öğrenmesi algoritmalarından beşi aracılığıyla suistimal yapıp yapmadığına yönelik öngörü modelleri geliştirmek ve çalışanların profilleri üzerinden suistimallerin belirlenmesine yönelik literatürdeki eksikliği gidermektir. Bu çalışmada yöntem olarak, bir bankada 2017 ile 2021 yılları arasında suistimal yapan ve yapmayan çalışanlara ilişkin istatistiksel olarak anlamlı 8 değişken kullanılarak, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Naive Bayes ve Destek Vektör Makinesi sınıflandırma algoritmaları ile çalışanların suistimal gerçekleştirip gerçekleştirmediği test edilmiş ve bu algoritmaların performans değerleri karşılaştırılmıştır. Çalışma sonucunda, Yaş, Cinsiyet, Eğitim Düzeyi, Birimde Çalışma Süresi, İzin Kullanım Oranı, KKB Skoru, Kredi Başvuru Adedi ve Kredi Kartı Doluluk Oranı değişkenleri kullanılarak oluşturulan Lojistik Regresyon modelinin en yüksek doğruluk oranı ve F-Skor değerine sahip olduğu belirlenmiştir.