PARA FİNANS/ BARIŞ ERGİN Otomatik kredi skorlaması, sanal asistanlar, chatbot, yüz tanıma sistemleri, imza gerçeklik tespiti, insanların duygu analizi, müşterilerin hangi kanaldan hangi işlemi yapacağının tespiti ve çok daha fazlası; hayatımıza iyice giren yapay zeka teknolojileri. Kredi tarafı ve skorlama bölümü ise tamamen veriye dayanıyor. Gerek bireysel tarafta gerekse şirketler tarafında artık paylaşılan verilere dikkat etmek şart. Açık kaynaklar da diğer veriler de bir süredir kullanılıyor ve skorunuzu etkiliyor. Sosyal medya dışında yapılan her harcama da analiz ediliyor artık. Hatta geçmiş verilerden gelecek projeksiyonu ve temerrüde düşme riski analiz ediliyor.
Peki sürecin hangi bölümlerinde kullanılıyor? İşte bu sorunun cevabına ‘Neredeyse tüm süreç’ demek yanlış olmaz. Yapay zeka kredi başvuruları için uygunluğu değerlendirmekten, kredi miktarlarını otomatikleştirmek, kredi risklerini değerlendirmek ve müşteri bilgilerini doğrulamak için kullanılıyor.
YÖNETİCİLER YAPAY ZEKAYA ALIŞTI
Finansal hizmet sağlayan firmalar üzerinde yapılan çalışmalar da aslında yöneticilerin ne kadar yapay zekaya alıştıklarını gösteriyor. Küresel ölçekte yöneticilerin yüzde 85’i yapay zekayı şu anda kullandığını, yüzde 64’ü ise bu teknolojiyi iki yıl içinde yeni gelir kaynağı, yeni müşteri kazanımı ve risk yönetimi gibi konularda kullanacaklarını söylüyor. Bu istatistikler aslında yapay zekanın hem bugün getirdiği hem gelecekte getireceği yeni iş yapış modelleriyle hem aktifler hem de karlılık üzerinde büyük bir etkisi olacağını teyit ediyor.
1 TRİLYON DOLARLIK DEĞER YARATACAK
Yapay zeka, bankalar için yılda 1 trilyon dolarlık bir değer yaratma potansiyeline sahip. Bankacılık sektöründe şu anda bireysel segmentte yüzde 95, KOBİ segment kısmında yüzde 30-40, ticari kurumsal segment kısmında ise çok az kullanılıyor. Bankacılıkta müşteri, işlemleri hızlı ve konforlu bir şekilde yerine getirmek isterken aynı zamanda verilerinin güvenle saklanması da önemli.
GÜVENLİK SORUNUNU DA ÇÖZÜYOR
Güvenlik de kredi verme sürecinde en önemli detaylardan biri. Otomatik kredi skorlaması sayesinde kredi notu zaman alan bir inceleme süreci anında öğrenilebiliyor, imza gerçeklik tespitiyle hem denetimler hem müşteri deneyimi daha hızlı hale gelebiliyor. Ayrıca yüz tanıma sistemiyle sistem güvenliği çok daha yukarıya çıkıyor.
SOSYAL MEDYA PAZARLAMA ANALİZLERİ
Kredilendirme süreçlerinde özellikle krediyi verme kararı için üretilen skorlamalarda sosyal medya verileri şimdilik kullanılmıyor, ancak pazarlama faaliyetleri için özellikle banka dışı sektörlerde bu verilerin sıkılıkla analizlerde ve skorlamalarda kullanıldığını belirten Experian Türkiye ve Ortadoğu Analitik Direktörü Emre Meterelliyoz, şunları söylüyor:
“Örneğin, bir müşterinin bir ürünü hangi olasılıkla satın alacağını, hangi tarz kampanyalara daha uygun olduğu, ürünü terk etme eğiliminin olasılıklarını hesaplamak ya da geri kazandırma stratejilerini kurgulamak gibi çeşitli alanlarda sosyal medya verileri tercih ediliyor. Banka ve finansal kuruluşlar açısından değerlendirdiğimizde özellikle bireysel bankacılıkta bunun iki nedeni var. Birincisi KVVK mevzuatı, ikincisi ise regulasyonların kredi değerlendirmesinde objektif ve adil bir değerlendirme yapılmasını istemesi. Hem Türkiye’de hem de dünyada bu iki konudan dolayı sosyal medya verileriyle yanlı değerlendirmeden kaçınmak ve açıklanabilir daha şeffaf bir kredi değerlendirme süreci oluşturabilmek için bu tarz verileri kullanmama eğilimindeler. Tabii bu durum, bankaların alternatif veri tarafındaki büyük bir havuzu kullanamamaları anlamına geliyor.”
KURUMSAL TARAFTA MEVZUAT ESNEK
Ancak kurumsal tarafta mevzuatlar daha esnek olduğu için şirketlerin web üzerindeki ayak izlerini kullanarak kredibilite değerlendirmesi yapabildiğini belirten Meterelliyoz, “Hatta, bizim de Experian olarak KKB iş birliğinde geliştirdiğimiz bir Web Skor hizmetimiz var. Şirketlerin web ayak izinden kredibilitesini ölçen alternatif bir kredi skoru diyebilirim. Özetle, skorlama ve alternatif veri kullanımı sektörde hep en öncelikli konu ve şu aralar Generative AI’ı kredi süreçlerinde nasıl kullanabiliriz diye sektör olarak kafa yoruyoruz mesela” şeklinde konuştu.
“AÇIK BANKACILIK SAYESİNDE DİĞER BANKA VERİLERİ DE KULLANILIYOR”
Emre METERELLİYOZ / Experian Türkiye ve Ortadoğu Analitik Direktörü
Daha önceleri uzman görüşüne dayalı bir skorlama mekanizmaları mevcutken, artık tüm finansal kuruluşlar geçmiş verileri analiz edip, istatistiki çıkarımlar yapan makine öğrenmesi yöntemleri ile skorlama yapıyorlar. Kredilendirme sürecinde sıklıkla kullanılan verileri müşterinin ödeme performansları, sosyo-demografik bilgileri, banka içi ve bankacılık sektöründeki finansal durumunu gösteren bilgiler şeklinde sıralayabilirim. Açık bankacılığın devreye alınmasıyla beraber bankalar müşterilerinden aldıkları izinler doğrultusunda müşterilerinin diğer bankalardaki mevduat hesap hareketlerini de skorlamalarda kullanmaya başladılar. Önümüzdeki dönemde, açık bankacıkla hem mevduat dışı ürün bilgileri hem de telefon, doğalgaz, elektrik gibi ödeme bilgileri de erişilebilir olacak. Bu da kredi değerlendirme ve skorlama süreçlerinde değerlendirilebilecek büyük bir alternatif veri kaynağı anlamına geliyor önümüzdeki dönem için. Bankalar krediyi verdikten sonra bu kredinin yaşamını da çok yakından takip ediyorlar. Erken uyarı dediğimiz sistemler ile finansal strese giren müşterileri önceden belirleyip rehabilite eden önlemleri oldukça hızlı alıyorlar. Bu da doğal olarak NPL’lere olumlu anlamda yansıyor. Burada kullanılan yöntemler ve analizlerde tamamen veriye dayalı yöntemler ve bu konu özelinde bir skor üretiyor. Yani, erken uyarı sistemleri müşterinin krediyi geciktirme olasılığını belirleyip buna ilişkin bir skorlama yapıyor ve arkasından da bu skora ve müşterinin banka ile olan ilişkisine göre değişen farklı aksiyon içeren aksiyon haritaları içeriyor. Mevcut yaşadığımız ekonomik süreçte de erken uyarı ve tahsilat odaklı skorlama ve aksiyonlarda çok önemli duruma geldi diyebilirim.
ANINDA KREDİ, MAKİNE ÖĞRENMESİ İLE YAPILIYOR
Anında kredi uygulamaları ve kredi limit belirleme çalışmalarında da benzer süreçler sıklıkla kullanılıyor. Kredi limiti belirlemede müşterinin gelirini tahmin edebilmek için veriye dayalı analitik yöntemlere çok sık başvuruluyor. Müşterinin tahmini geliri, ödeyebileceği tahmini aylık kredi tutarı, ödememe olasılığı birçok farklı sonuç üzerinden nihai kredi limiti belirleniyor. Buradaki tüm bileşenler veri üzerinden makine öğrenmesi yöntemleri ile hesaplanıyor. Anında kredi tarafında ise, bankalar mevcut müşterilerini düzenli olarak tüm bu süreçler için skorlayarak hangi müşterinin yeni kredi kullanımı için uygun olduğunu belirliyorlar. Bu sayede çok daha hızlı bir şekilde müşterilerine teklif sunma imkanına sahip oluyorlar.
DOĞRU TAHMİNLER YAPILMASINA YARDIMCI
Yapay zekanın kredi puanlamasını çeşitli şekillerde iyileştirmesinde avantajları bulunuyor. Bunlar şöyle sıralanıyor:
-Daha iyi veri analizi
Yapay zeka, insan analistlerin göremeyebileceği kalıpları ve eğilimleri belirlemek için çeşitli kaynaklardan gelen büyük hacimli verileri analiz edebiliyor. Bu, kredi verenlerin bir borçlunun kredi skoru hakkında daha doğru tahminler yapmasına yardımcı olabiliyor.
-Gelişmiş risk değerlendirmesi
Yapay zeka, bir borçlunun bir krediyi temerrüde düşürme olasılığını değerlendiren tahmine dayalı modeller oluşturmak için kullanılıyor. Bu modeller, belirli bir kişi veya kuruma borç vermede riski daha iyi tahmin etmek için şart gibi artık. Gelir, borç-gelir oranı ve ödeme geçmişi gibi çok çeşitli faktörler hesaba katılıyor.
-Sıfır önyargı
Yapay zeka, kredi değerliliğini değerlendirmek için nesnel kriterler kullanarak kredi puanlamasındaki önyargıyı azaltmaya yardımcı olabiliyor. Irk, cinsiyet ve etnik köken gibi faktörlerin borç verme kararları üzerindeki etkisi azalıyor. Kredi puanlamadaki zorluklardan biri, sürecin adil ve önyargısız olmasını sağlamak. Tarihsel olarak, borç verme kararları ırk, cinsiyet ve etnik köken gibi ayrımcı uygulamalara yol açabilecek faktörlerden etkilenmiştir. Ancak yapay zeka kullanımıyla bu faktörlerin kredi verme kararları üzerindeki etkisini azaltmak mümkündür.
-İyileştirilmiş müşteri deneyimi
Yapay zeka destekli kredi puanlaması, borçlulara daha kişiselleştirilmiş bir borç verme deneyimi sağlayabilir. Örneğin, borç verenler, borçlulara özel ihtiyaçlarına ve finansal durumlarına göre uyarlanmış kredi ürünleri sunmak için yapay zekayı kullanabilir.
