Banka müşterilerinin makine öğrenmesi ile analiz edilerek skorlanması

Bankacılık sektörü, firmalara sağladığı kredilerle ekonomik büyümeyi desteklerken, kredi riskinin doğru değerlendirilmesi bu süreçlerin sürdürülebilirliği için kritik bir gerekliliktir. Türkiye'de, firmaların mali yapılarındaki çeşitlilik, geleneksel kredi skorlama yöntemlerinin sınırlarını zorlamaktadır. Bu tez çalışması, banka müşterisi firmaların makine öğrenmesi teknikleriyle analiz edilerek skorlanmasını amaçlamıştır. Çalışmadaki veri setinde, firmaların finansal durumları, risk bilgileri ve çalışan sayısı bilgileri yer almaktadır. Çalışmada, iki aşamalı bir analiz süreci izlenmiştir. İlk aşamada, K-Means algoritması kullanılarak firmalar risk verilerine göre dört küme oluşturulmuştur. Birinci aşamada elde edilen kümeler bağımsız değişken olarak modele eklenmiştir. İkinci aşamada, denetimli makine öğrenmesi olan XGBoost, Karar Ağacı, Rastgele Orman, KNN ve LightGBM algoritmaları kullanılarak, kredi skoru tahmin edilmiştir. Kredi skoru dört sınıflı (0-1-2-3) bir bağımlı değişkendir. Model performansları; kesinlik, duyarlılık ve F1 skoru gibi kriterlerle değerlendirilerek başarılı sonuçlar elde edilmiştir. Bu çalışmanın firmalara yönelik yapılması, firmaların finansal durumları ve risk verilerine ek olarak denetimsiz makine öğrenmesi yöntemleri ile segmentasyon oluşturulması, oluşturulan bu segmentasyonun kredi skorlamada kullanılması yönleriyle literatürdeki mevcut yaklaşımlardan farklılaşarak özgün bir katkı sunması amaçlanmıştır.