Menü
Menü

Eylül ayındaki Medium yazımızda ileri analitik çalışmalarının Akbank Lab olarak odaklandığımız alanlardan olduğunu belirtmiş ve yakın geçmişte uygulamaya aldığımız otomatize makine öğrenimi platformumuza ilişkin bilgi paylaşmıştık. Bu yazımızda da yine makine öğrenimi teknolojisinin farklı bir alanda banka stratejik öncelikleri doğrultusunda konumlandırıldığı bir çalışmamızdan bahsetmek istedik.

09 Mart 2021

Makine öğreniminin bankacılıktaki kullanım alanları oldukça geniş. Verinin üretildiği her alan ve süreçte bu teknolojiyi kullanarak veriyi anlamlandırmak ve daha etkin sonuçlar üretmek, ürettiğiniz sonuçları sürekli iyileştirmek mümkün. Makine öğreniminin de içinde bulunduğu yapay zeka teknolojilerinin global bankacılık sektörü için potansiyel olarak her yıl $1 trilyon ek değer oluşturacağı tahmin ediliyor ve bunun, pazarlama ve satıştan risk yönetimine, insan kaynakları süreçlerinden bilgi teknolojileri uygulamalarına kadar hemen hemen tüm alanları etkileyeceği düşünülüyor[1].Hedeflenen sonuç pazarlama alanında doğru müşteriye doğru çözümün sunulması olurken, kredi alanında ise müşterilere en uygun limitlerin oluşturulması ve müşteri risk sınıflandırmasının daha doğru adreslenmesi olarak karşımıza çıkabiliyor. Makine öğreniminin farklı kullanım alanlarında verimli olabilmesi için de kullanılabilir ve kaliteli verinin bulunmasının, modern bir altyapıya sahip olunmasının ve bu yetkinliğin adeta bir kültür olarak yerleşmesinin çok önemli olduğunu düşünüyoruz. Böylece bu teknolojinin kullanımı ile daha doğru karar alma süreçlerinin oluşturulması, verimliliğin artması, daha az hatanın oluşması ve müşteri deneyimlerinin iyileştirilmesi mümkün hale geliyor.

Bankalar için yeni müşteri kazanımı fırsatları sunan ve dolayısıyla önemli gelir kalemlerinden biri olan kredi ve buna ilişkin süreçler de makine öğreniminin kullanımı için en uygun alanlardan bir tanesi. Kredi değerlendirme, kimlik doğrulama, suistimal önleme gibi kredi süreçlerinin farklı aşamalarında makine öğreniminin kullanım alanları mevcut.

Son yıllarda banka dışı oyuncuların da özellikle Avrupa, Asya ve ABD’de sadece genelde akla ilk gelen ürün olan ödeme değil kredi alanında çözümler sunduğunu görebiliyoruz. Bu çözümleri Amazon veya Alibaba gibi platformlar temel faaliyet alanlarının tamamlayıcısı olarak sunarken Funding Circle gibi şirketler tamamen kredi işine odaklanarak sektörde rol almaya başladılar. Ayrıca kitlesel fonlama gibi farklı modellerle de ürün çeşitliliğinin arttığını ve farklı müşteri segmentlerinin özelliklerine ve ihtiyaçlarına göre yenilikçi çözümlerin oluşturulduğunu görmeye başladık. Yani, bankaların en geleneksel ürünlerinden biri olan kredi hem bankalar hem de finansal servisler dışında oyuncuların rekabet ettiği bir alan.

Rekabetin bu kadar arttığı bir alanda da farklılaşmak ve iş yapış şekillerini iyileştirmek çok daha önemli. Kredi süreçlerindeki önemli adımlardan biri “kredi modellerinin geliştirilmesi” ve kredi modellerindeki iyileşmeler önemli kazanımlar sağlama potansiyeline sahip. Çünkü daha gelişmiş modeller ile en genel itibarıyla, kredi başvuruları geleneksel modellere kıyasla daha yüksek ayrıştırıcılık gücü ile risklilik durumlarına göre değerlendirilebilmekte ve karar destek sistemlerindeki kurallar aracılığıyla hangi müşteriye ne kadar kredi verileceği belirlenebilmektedir. Böylece banka kredi portföyünün riskliliği etkin yönetilerek portföy kalitesi daha üst seviyelere çıkmakta, sorunlu hale gelebilecek kredi oranları ise mümkün olduğunca optimum düzeye çekilebilmektedir. Kredi modellerinin performansının artırılması için de 2 temel bileşen var: analitik modellerin iyileştirilmesi ve yeni verilerin kullanılması. Yeni verilerin kullanılmasına örnek olarak e-ticaret alışveriş verilerinin kullanılmasını verebiliriz. Buna ilişkin örnekleri farklı coğrafyalarda görüyoruz. Akbank olarak bizim burada ele alacağımız proje ise analitik modellerimizin iyileştirilmesi oldu ve bu yazımıza konu olan proje ile kredi alanında makine öğrenimi teknolojisinden faydalanmayı hedefledik.

Projeyi Risk Yönetimi, Kredi Tahsis ve Teknoloji ekiplerimiz ile yürüttük ve bize hem yetkinlik hem de hız kazandırabileceğine inandığımız bir iş ortağı ile çalıştık. Projeye bundan 3 yıl önce başladık, o dönemde makine öğrenmesinin kredi süreçlerinde kullanımı Akbank için çok fazla deneyimlenmiş bir alan değildi ve uzman bir finansal teknoloji şirketinin bilgi birikiminden faydalanarak bu süreçlerin etkinliğini iyileştirmeyi amaçladık.

Proje Sürecimiz
Bu proje, krediler alanında makine öğrenimi uygulamalarını baz alan ilk projemiz olması nedeniyle tüm ekipler için çok öğretici oldu. İş ortağımızın ve sunduğu makine öğrenimi platformunun yetkinliklerini hızlı bir şekilde test edebilmek için test verisinin hassas bir şekilde veri güvenliği standartlarına göre hazırlanması en kritik aşamalardan biriydi. Ek olarak, analitik modellerde kullanılan verilerin “temiz” olması çok kritikti. Bizim de önemli bir zamanımızı üzerinde çalışılacak verinin temizlenmesi ve hazırlanması aldı. Hazırlanan çok geniş hacimdeki veriden makine öğrenimi modellerinin oluşturulabilmesi ve test edilebilmesi için mevcut modellerimizin çalıştığı sunuculardan daha gelişmiş olanlarına ihtiyacımız vardı ve bunun için de yeni ek sunucular kuruldu.

PoC projemizi geçmiş veriler ile “backtesting” yöntemi ile yaptık yeni oluşturulan makine öğrenimi modellerini geçmişteki kredi başvurularında kullansaydık Akbank’a nasıl bir fayda sağlanabileceğini hesaplamaya odaklandık. PoC için seçtiğimiz model bireysel kredi modeliydi ve hem daha fazla kredi hacmi oluşturulması hem de sorunlu kredi oranının iyileştirilmesi amaçlandı. Makine öğrenimi modeli oluşturulurken R dili kullanıldı ve mevcut modellere göre çok daha fazla değişken üretildi. Verilerin hazırlanması ve modelin geliştirilerek değerlendirilmesi süreçleri yaklaşık 6 ay sürdü ve Akbank ekipleri olarak iş ortağımız ile çok yakından bir çalışma yürüttük. PoC sürecinden sonra model geliştirme ortamı olarak Python da kullanılmaya başlandı.

Proje sonuçları oldukça ümit vericiydi. Mevcut model performansı ile proje sonuçları karşılaştırıldığında model tahmin gücünde kayda değer bir artış sağlandı. Bu artış modele ait tüm alt segmentlerde görülürken, düşük ve yüksek riskli müşteriler daha iyi ayrıştırılarak doğruluk oranı daha fazla olan tahminler elde edildi. Sonuç olarak da, mevcut bireysel kredi modelimizin makine öğrenimi ile yenilenmesinin Akbank için önemli getiriler sağlayabileceğini görerek bu teknolojiye yatırım yapmaya ve farklı modellerde de kullanımının yaygınlaştırılmasına karar verildi. Sonraki süreçte çeşitli yenilikçi modelleme yöntemleri ile tahsilat, kredi kartı, mikro ve KOBİ segment ve ürünlerine yönelik modellerin geliştirilmesi süreçleri tamamlandı. Tüm bu projeler sonucunda bireysel kredi modelinde olduğu gibi başarılı sonuçlar elde edildi.

Bugün artık Akbank’taki birçok model makine öğrenimi teknolojisi ile geliştiriliyor ve kullanım alanını her geçen gün artırmak için ilgili ekipler çalışıyorlar. Bu projeyi yaparken Akbank’a kazandırılan yetkinliğin devamlılığının sağlanması için ek olarak ilgili birçok ekip makine öğrenimi konusunda farklı seviyelerde eğitimler aldı ve artık bu alanda çok yetkin bir ekibe sahip olduğumuzu söyleyebiliriz.

Son olarak, inovasyon ve girişimcilik ekosistemindeki farklı oyuncularla yapılan akıllı iş birliklerinin büyük kurumlara çok önemli faydalar sağlayabileceği uzun yıllardır gündemde olan bir konu ve Akbank olarak her alanda bu tür iş birliklerini araştırmaya devam edeceğiz.

[1] https://www.mckinsey.com/industries/financial-services/our-insights/ai-bank-of-the-future-can-banks-meet-the-ai-challenge#:~:text=The%20potential%20for%20value%20creation,%2C%20annually%20(Exhibit%201)

Kaynak: www.medium.com/akbank-lab