Teknolojinin ilerlemesi farklı sektörlerde faaliyet gösteren tüm işletmelerin kendilerini yenilemelerine ve teknoloji ile uyumlu hale gelmeleri gerekliliğini ortaya çıkarmıştır. Bankacılık sektörü de dahil olmak üzere yeni teknolojik yaklaşımlar hem sektörün ilerlemesine yardımcı olmuş hem de teknoloji adaptasyonu ile hem işletmelerin hem de müşterilerin daha kolay ve hızlı işlem yapabilmesine olanak sağlamıştır.
Bu yenilikler arasında yerini alan blockchain teknolojisi ortak bir grup katılımcının veri paylaşmasına olanak sağlayan, finans sektörü başta olmak üzere pek çok farklı sektörde kullanılan ve işlemlerin otomatik yapılmasını sağlayan teknolojidir.
Teknolojinin ilerlemesi ile günlük hayatta daha fazla entegre olması farklı terimlerin de ortaya çıkmasına neden olmuştur. Bu terimler arasında bulunan veri madenciliği terimi, büyük veri kümelerinin keşfedilmesi ve işlenmesi için analiz alanında faydalanılan bilgisayar destekli bir tekniktir. Bankacılık sektöründe oldukça fazla sayıda veri bulunması ve bu verilerin sayısının her geçen gün artması, bankacılık sektöründe veri madenciliğine olan ihtiyacı arttırmaktadır.
Veri madenciliği yöntemleri denetimli ve denetimsiz olmak üzere iki ana başlığa ayrılmaktadır.
Veri Madenciliği Nedir?
Veri madenciliği büyük veri kümeleri içinden bilgi çıkarmayı ifade etmektedir. Veriler birkaç farklı şekilde olabilir. Bu veriler arasında; mekânsal veriler, multimedya verileri, zaman serisi verileri, metin verileri ve web verileri yer almaktadır. Bunlar gibi büyük verilerden bilgi edinmeyi amaçlayan veri madenciliği, büyük veri tabanlarında gizli, bilinmeyen, geçerli ve eyleme geçirilebilir bilgileri çıkararak önemli iş kararları vermek için kullanma sürecinin tamamı için kullanılmaktadır.
Pazarlama kampanyalarının geliştirilmesinden satış trendlerini belirlemeye ve hatta müşteri sadakatini artırmaya yarayacak birçok alanda elde edilen veriler kullanılarak doğru ve başarılı adımların atılması mümkündür.
Veri madenciliği; verileri analiz ederek birbiri ile ilişkilendirilir. Bunun sonucu olarak da kapsamlı ve otomatize analizlere ulaşmak mümkün olur. İstatistik, makine öğrenmesi ve yapay zekâ gibi alanlarda geliştirilen teknik ve yöntemler veri madenciliğinde kullanılmaktadır. Veri madenciliği, bir süreç olarak tanımlanmalıdır. Bu süreç boyunca işlenmemiş veriler işlenerek anlamlı bilgiler üretmektedir.
Elde edilen bilgiler olmasından kaynaklanarak veri madenciliği aynı zamanda bilgi keşfetme süreci olarak da adlandırılmaktadır.
Veri Madenciliği Yöntemleri
Veri madenciliğinde yöntemler tahmin edici (predictive) ve tamamlayıcı (descriptive) olmak üzere iki ana sınıfa ayrılmaktadır. Çeşitli veri madenciliği teknikleri ve algoritmaları vardır. Bu madencilik yöntemleri arasında; Sınıflama (classification), regresyon(regression), kümeleme (clustering), birliktelik (association), tahminleme (prediction), görselleştirme (visualization) ve istatiksel analiz (statical analysis) öne çıkmaktadır.
Sınıflandırma (Classification) & Regresyon (regression): Bu madencilik yöntemlerinden biri olan sınıflandırma en yaygın olarak kullanılan türdür. Sınıflandırma ile bir veri kümesindeki herhangi bir öğe önceden saptanmış sınıflar veya gruplar içinden uygun olanın içine atmak için kullanılmaktadır.
Veri madenciliği yöntemleri sınıflandırma modelli türleri;
- Karar ağaçları
- Yapay sinir ağları
- Doğrusal programlama
- Naive Bayes
- İstatistik.
Veri sınıflandırma işlemi öğrenmeyi ve sınıflandırmayı içerdiği için dolandırıcılık tespiti ve kredi riski uygulamaları için oldukça kullanışlıdır. Bu sayede müşteriler riskli veya güvenli olarak tespit edilir.
Birliktelik Kuralı (Association): Veri madenciliği yöntemleri içerisinde yer alan birliktelik kuralı, en iyi bilinen tekniklerden biridir. Birliktelik kuralı ile iki büyük veri seti arasındaki ilişkiler bulunur. Veriler arasında tespit edilen sıra dışı birliktelikler karar alma sürecini optimum seviyeye çıkarabilir. Sepet analizi gibi birlikteliğin en çok kullanıldığı alanı oluşturmaktadır. Sepet kuralı tüketicilerin hangi ürünleri beraber aldığını belirtmektedir ve bunun sonucu olarak işletmeler karlılık seviyesini arttırabilirler.
Veri madenciliği yöntemleri birliktelik modelli türleri;
- Çok düzeyli birliktelik kuralı
- Çok boyutlu birliktelik kuralı
- Nicel birliktelik kuralı
- Doğrudan birliktelik kuralı
- Dolaylı birliktelik kuralı.
Kümeleme (Clistering): Veri madenciliği yöntemlerinden kümeleme, benzer nitelikli nesne sınıflandırılması olarak tanımlandırılmaktadır. Kümeleme modelinde amaç birbiri ile benzer özellikte olan verileri bir küme içerisine almak ve farklı özelliklere sahip verileri dağıtmaktır. Sınıflandırma modelinden farklı olarak kümelendirme modelinde veriler sınıflara ayrılmaz ancak herhangi bir sınıfa ait olmayan veriler kümelendirilir. Belirli bir coğrafi konumda oturan ve belirli meslek grubunda çalışanlar belli bir kümeyi oluşturmaktadır.
Veri madenciliği yöntemleri kümeleme modelli türleri;
- Bölme yöntemleri
- Hiyerarşik yöntemler
- Yoğunluk tabanlı yöntemler
- Izgara tabanlı yöntemler
- Model tabanlı yöntemler.
Bankacılıkta Veri Madenciliği Yöntemleri Nasıl Kullanılır?
Teknolojik gelişmeler tüm sektörlerde olduğu gibi bankacılık sektöründe de yeniliklere imza atmış durumdadır. Elektronik bankacılık, fintech teknolojisi ve finansal inovasyon gibi bankacılık sektöründe yer alan gelişmeler veri sayısının hızla artmasına neden olmuştur. Teknolojik gelişmeler ver veri madenciliği yöntemleri ile bankacılık sektöründe elde edilen verilerden anlamlı bilgiler çıkarmaya ve işletmelerin gelişmesine katkı sağlamaya olanak tanımıştır.
Ham verilerin işlenmesi ile ortaya çıkan bilgiler, işlemler arasındaki korelasyon, müşteri tiplerinin farklılığı gibi veri grupları arasındaki ilişkiler veri madenciliği yöntemleri ile daha anlamlı hale gelerek bankacılık sektörü için farklı yöntemlerin denenmesine olanak sağlamıştır.
Veri madenciliği yöntemleri tahminleme ve öngörü şansı bulundurmaktadır. Bu da müşterilerin beklentilerinin en iyi şekilde karşılanmasına ve bankacılık operasyonlarının etkin bir şekilde yürütülmesine destek olmaktadır. Müşterilere uygun faydalı bilgileri elde etmek bankacılık sektöründe başarı ve büyümeyi de beraberinde getiren kritik konuları oluşturmaktadır.
Veri madenciliği yöntemleri bankacılık sektöründe farklı alanlarda kullanılmaktadır. Bu alanlar arasında;
1. Pazarlama
Bu madencilik yöntemlerinden elde edilen bilgilerin en çok kullanıldığı alan olan pazarlama, bankacılık sektöründe müşteriyi analiz etmek için kullanılabilir. Ürün, fiyat ve dağıtım kanalları analiz edilerek müşterilerin tepkisi ortaya çıkarılabilir. Müşteri tepkisi elde eden banka hangi alanda atılım yapması gerektiğini hangi konuda farklı bir yol izlemesi gerektiğini net olarak görebilir.
Bankacılık sektörü bu madencilik yöntemlerini kullanarak ayrıca geçmiş eğilimleri analiz ederek müşteri davranışlarını tahmin edebilir. Veri madenciliği bankacılık sektöründe kârlılığın belirlenmesine yardımcı olur.
2. Risk Yönetimi
Veri madenciliği yöntemleri risk yönetimi için oldukça sık kullanılmaktadır. Bankacılık sektöründe önemli olan konulardan biri olan müşterinin güvenli olup olmadığıdır. Kredi kartı sunmaktan mevcut kredi limitini yükseltmeye kadar bankalar müşterileri hakkında bilgi sahibi olmadan risk yönetimi yaparlar.
Veri madenciliği yöntemleri bankalar için riskli olan müşterileri ayırma olanağı tanır. Müşterilerinin davranışlarını ve güvenirliğini analiz eden bankalar daha az risk ile karşı karşıya kalmış olurlar.
3. Dolandırıcılık Tespiti
Bankacılık sektöründe bu madencilik yöntemlerinin bir başka kullanım alanı da dolandırıcılık tespitidir. Bu madencilik yöntemleri ile birçok banka dolandırıcılığı tespit etmekte ve bu bilgileri raporlamaktadır. Çapraz referans sistemi ile bilgilerin güvenirliği tespit edilerek bankaların dolandırıcılıkla yüz yüze gelmelerinin önüne geçilmesi amaçlanmaktadır.
4. Müşteri İlişkileri Yönetimi
Sürekli artan rekabet içinde en önemli konulardan biri de müşteri ilişkilerini iyi yönetmektir. Tüm sektörler gibi bankacılık sektöründe de müşteri ilişkileri üzerinde durulması ve emek sarf edilmesi gereken bir konu olarak yer almaktadır.
Veri madenciliği yöntemleri kullanılarak müşteriler analiz edilerek sadık müşteriler ve diğer bankalarla çalışmayı tercih eden müşteriler ayrıştırılabilir. Bu madencilik yöntemleri sonucunda elde edilen bilgiler ışığında sadık müşteriler için farklı, diğer bankalar ile çalışmayı tercih eden müşteriler için farklı uygulamalar ortaya çıkarılabilir. Bu sayede banka daha iyi performans göstermenin ve varlıklarını korumanın ayrıntılı yollarına ulaşabilir.