Data Department; finansman şirketlerinin, sigortacıların, ödeme kuruluşlarının ve fintek kredi platformlarının nakit, kredi ve müşteri kararlarında makine öğrenmesi ve yapay zekâ kullanmasına yardımcı olur: ne kadar tahsilat yapılacağı, yenileme öncesinde hangi sigortalının önce aranacağı, ne kadar kredi limiti verileceği. Projelerimiz arasında hatası %32'den %9,5'e inen bir tahsilat tahmini ve yaklaşık %6 gelir artışı sağlayan bir sigorta yenileme çalışması var.
Finans ve sigortacılıkta yapay zekâ nerede değer üretir?
Finansal kararlar sık verilir, ölçülebilir ve arkasında iyi bir geçmiş veri bulunur. Değer, risk tahminini bir aksiyona dönüştürmekten gelir: bir nakit planı, bir arama listesi, bir kredi limiti.
| Karar | Makine öğrenmesi / yapay zekâ ne yapar | Tipik veri |
|---|---|---|
| Ne kadar nakit, ne zaman tahsil edilecek | Müşteri bazlı risk skorlarına dayanan tahsilat tahmini | Alacaklar, ödeme geçmişi, müşteri risk skorları |
| Yenileme öncesinde önce hangi müşteri aranacak | Müşteri kaybı (churn) ve satın alma eğilimi modellerini kullanan önceliklendirme optimizasyonu | Poliçe, yenileme, ürün ve iletişim geçmişi |
| Borçlunun temerrüde düşme olasılığı ne | Kredi riski skorlama; örneğin lojistik regresyonla temerrüt olasılığı | Muhasebe, bankacılık ve ticaret verisi |
| Bir finansman seçeneği hangi geri ödeme planını gerektirir | Seçeneğin parametrelerinden geri ödeme planı üreten modüller | Finansman koşulları, gelir geçmişi |
| Üye işyerinin limit artış talebi onaylanmalı mı | Limit kararını riske dayalı bir öneriyle destekleyen model | Üye işyeri işlem ve geri ödeme geçmişi |
| Hangi işlem ya da hasar dosyası olağan dışı | İncelenecek vakaları sıralayan anomali ve sahtecilik tespiti | İşlemler, hasar dosyaları, müşteri ve cihaz verisi |
| Poliçe ve prosedürlerde aranan bilgi nerede | Kaynak göstererek yanıt veren RAG (bilgi getirme destekli üretim) tabanlı kurumsal yapay zekâ asistanı | Poliçe metinleri, prosedürler, iç yönergeler |
İlgili projeler
- Tahsilat tahmini: Bir finansman şirketinin hazine birimi. Müşteri bazlı risk skorları kullanılarak, MAPE (ortalama mutlak yüzde hata) ile ölçülen tahmin hatası %32'den %9,5'e indi.
- Sigorta yenileme ve müşteri kaybı: Bir sigorta işletmesi. Bir müşteri kaybı (churn) tahmin modeli ile churn ve satın alma eğilimi modellerine dayanan bir önceliklendirme optimizasyonu, kimin önce aranacağını belirledi; yaklaşık %6 gelir artışı sağladı.
- Gelire dayalı finansman risk modelleri: SaaS (hizmet olarak yazılım) şirketlerinin, hisse vermek yerine gelecekteki tekrarlayan gelirlerinin bir payını satarak büyümelerini finanse ettiği Avrupalı bir fintek kredi platformu. 2023'te ekibin içinde 3–4 ay çalışarak finansman yaklaşımını analiz ettik; bir finansman seçeneğinin parametrelerinden geri ödeme planı üreten modüller ve borçlunun sistemlerinden bir finansal veri API'si (uygulama programlama arayüzü) ile alınan muhasebe, bankacılık ve ticaret verisini kullanan kredi riski skorlaması (temerrüt olasılığı, lojistik regresyon) geliştirdik.
- Bayi kredi riski skorlama: Bir ödeme hizmetleri kuruluşu. Otomatik limit artış kararları için, bayi temerrüdünü tahmin etmeye ve limit talebi, işlem ve ters ibraz (chargeback) geçmişinden bayi risk skoru üretmeye dayanan modeller.
Finans ve sigortacılıkta tipik ilk projeler nelerdir?
- Nakit ve tahsilat tahmini: Hazine için; tahmin hatası mevcut yöntemle karşılaştırılarak ölçülür.
- Yenileme ve müşteri elde tutma önceliklendirmesi: Satış ya da hizmet ekibi için sıralı bir arama listesi; kontrol grubuyla test edilir. Ayrıntılar müşteri kaybı (churn) tahmini ve müşteri analitiği sayfamızda.
- Kredi riski skorlama: Tanımlı bir ürün ya da müşteri segmenti için, yorumlanabilir modellerle.
- Belge asistanı: Poliçe, prosedür ve uyum soruları için. Ayrıntılar üretken yapay zekâ ve kurumsal asistan sayfamızda.
Her biri iki haftalık bir Keşif aşamasıyla başlar: sıralanmış kullanım alanları, veri kontrolü ve devam ya da dur kararı. Ücretsiz 30 dakikalık yapay zekâ fırsat değerlendirmesi, uygunluğu hızlıca görmenin bir yoludur.
Veri ve entegrasyon notları
- Çekirdek sistemler; poliçe yönetimi, kredi yönetimi ve muhasebe sistemleri bu modellerin ihtiyaç duyduğu geçmişin çoğunu tutar.
- CRM (müşteri ilişkileri yönetimi) ve çağrı merkezi verisi, müşteri elde tutma modellerini arama listesine dönüştürmek ve sonucu ölçmek için gerekir.
- Dış finansal veri, borçlunun onayıyla, API'ler aracılığıyla borçlunun sistemlerinden alınabilir.
- Altyapı: AWS (Amazon Web Services), Google Cloud, Azure ya da şirket içi sunucularda teslim ederiz; hassas veri kendi ortamınızda kalabilir.
Sık sorulan sorular
Modeller bir risk komitesine açıklanabilir mi?
Evet. Açıklanabilirliğin önemli olduğu yerlerde kredi riski skorlamasında lojistik regresyon gibi yorumlanabilir yöntemleri tercih eder, her skoru hangi girdilerin belirlediğini belgeleriz.
Bir müşteri elde tutma ya da yenileme programı nasıl ölçülür?
Yalnızca model doğruluğuyla değil, gelir ya da elde tutulan müşteri gibi bir iş ölçütüyle. Mümkün olduğunda etki bir kontrol grubuyla test edilir. Sigorta yenileme çalışmamızda raporlanan sonuç yaklaşık %6 gelir artışıdır.
Müşteri verisinin sistemlerimizden çıkması gerekir mi?
Hayır. Şirket içi sunucular dahil, kendi altyapınızda çalışabiliriz.
Tahsilat tahmini için ne gerekir?
Müşteri bazında alacak ve ödeme geçmişi ile müşteri bazlı risk skorları. Hazine projemiz bu skorları kullandı ve MAPE'yi %32'den %9,5'e indirdi.