Finans sektörü için yapay öğrenme teknikleri kullanarak kredi kullanabilirliğin tespiti
| dc.contributor.advisor | Ülker, Erkan | |
| dc.contributor.author | Tunç, Ali | |
| dc.date.accessioned | 2017-07-07T05:48:45Z | |
| dc.date.available | 2017-07-07T05:48:45Z | |
| dc.date.issued | 2016-11-29 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Bilgi teknolojilerindeki gelişmelerle birlikte, banka şirketleri, müşterilerinin kredi taleplerini etkili analitik yöntemler ve risk analizleri ile değerlendirebilmektedirler. Kredi skorlama sistemleri olarak adlandırılan yazılım ürünleri genel olarak daha önce belirlenen kredi faktörlerine göre müşterinin verilerinin toplanması, elde edilen verinin çeşitli istatistiksel veya makine öğrenmesi teknikleriyle işlenmesi ve kredi risk analizinin yapılarak nihai kredi kararının belirlenmesi aşamalarından oluşur. Kredi kararı aşamalarında oluşabilecek hataları önlemeye yardımcı olan unsur, farklı karar faktörlerinin değerlendirilmesinde standart bir çözüm sunan otomatik skorlama araçları ve modellerinin geliştirilmesidir. Kredi skorlama sistemlerinde kullanılmakta olan hataya meyilli istatiksel analiz metodolojilerinin yerine, her bankanın kredi kriterlerine göre uyarlanabilecek, kesinliği yüksek makine öğrenmesi tekniklerinin sunulduğu bir çözüm üzerine çalışılmıştır. Bu çalışma, kredi risk faktörlerinin belirlenmesi, elde edilen verinin makine öğrenmesi algoritmaları ile işlenmesi ve veri tutarlığı ile oluşturulan tahminlerin analizi algoritmalarının geliştirilmesi aşamalarından oluşmaktadır. Kredi başvurularının değerlendirilme sürecinde çeşitli skorlama modelleri yaygın olarak kullanılmaktadır. Bu modeller dâhilinde müşterilerin geçmiş banka hareketleri işlenerek kredi kararı verilebilmektedir. Yapılan çalışma ile müşteriye ait değişken kümelerinden oluşan veriler, makine öğrenmesi teknikleriyle işlenerek, müşteriye ait kredi değeri belirlenmeye çalışılmıştır. Bayes ve gri kurt optimizasyonu yöntemleri ile sınıflandırma problemi olarak çalışma odağı oluşturulmuştur. Elde edilen bu bilgilere göre müşteriye kredi verilebilir ya da verilemez kararı ortaya çıkarılmıştır. Bu tezde kredi başvurusunda bulunan ve kredi kullanan tüketicilerdeki artışı sağlıklı yönetebilecek yapı ihtiyacının karşılanması, doğru müşteriye, doğru zamanda, doğru miktarda ve doğru vadede kredi vermeyi sağlayacak yapının kurulması, kredi tahsilatlarının verimliliğinin arttırılması, riski minimize ederek karlılığın maksimum noktaya getirecek optimum stratejilerin oluşturulması, bankanın kredi skorlamasında ve değerlendirme sisteminde uzman görüş etkisini azaltılması ve maliyetlerin düşürülmesi amaçlanmıştır. | en_US |
| dc.description.abstract | With the advances in the Information Technology (IT) field, banks can evaluate the credit requests of the customers via effective analytical methods and risk analysis. The software products, named Credit Scoring Systems, consist of collecting customer data based on pre-determined credit factors, processing the data with various statistical or machine learning methods, and conducting credit risk analysis to make the final credit decision. In order to reduce the mistakes made while taking credit approval decisions, automatic scoring tools and models, offering a standard solution for evaluating different decision factors, should be developed. Instead of error-prone statistical analysis methodologies that are used in credit scoring systems, we studied on a new solution which utilizes machine learning techniques with high accuracy and can be customized for the credit criteria of each bank. This work consists of the following phases: determining the credit risk factors, processing the acquired customer data with machine learning algorithms, and developing analysis algorithms of the predictions made by the data consistency. Throughout the evaluation process of the credit applications, various scoring models are commonly used. These models utilize the previous transactions on the bank accounts of the customers to make a decision on the credit applications. In the proposed work, the information about the customer related to several aspects and processed with machine learning techniques, and finally a credit score will be determined for each customer. Classification problem using Bayes and Grey Wolf optimization methods was focused in this work. This information will later be used to decide whether the credit application of a customer can be approved or not. In this thesis, intentions can be summarized as, providing useful tools to manage the increasing number of customers who apply for consume credits, establishing a structure for crediting the right customers at the right time with the right amount and payment plan, increasing the efficiency of collecting credit payments, thus contributing to the national economy by using the resources more effectively, creating optimal strategies for maximizing the profit by minimizing the risk, reducing the effect of an expert for credit scoring and evaluation, and reducing the costs. | en_US |
| dc.identifier.citation | Tunç, A. (2016). Finans sektörü için yapay öğrenme teknikleri kullanarak kredi kullanabilirliğin tespiti. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/5083 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Kredi risk analizi | en_US |
| dc.subject | Kredi skor modellemesi | en_US |
| dc.subject | Makine öğrenmesi | en_US |
| dc.subject | Müşteri segmentasyonu | en_US |
| dc.subject | Sınıflandırma algoritmaları | en_US |
| dc.subject | Classification algorithms | en_US |
| dc.subject | Credit risk analysis | en_US |
| dc.subject | Credit scores modeling | en_US |
| dc.subject | Customer segmentation | en_US |
| dc.subject | Machine learning | en_US |
| dc.title | Finans sektörü için yapay öğrenme teknikleri kullanarak kredi kullanabilirliğin tespiti | en_US |
| dc.title.alternative | Using machine learning techniques of detect the credit availability for the financial sector | en_US |
| dc.type | Master Thesis | en_US |
