BANKACILIKTA YAPAY ZEKA UYGULAMALARININ GELENEKSEL BANKACILIK ÜZERİNE ETKİSİ

Yıl 2024, Cilt: 5 Sayı: 2, 164 - 201, 30.10.2024

Dr.öğretim Üyesi Serkan Demirel

https://doi.org/10.53662/esamdergisi.1532864

Öz

Araştırmanın amacı, yapay zekâ uygulamalarının bankacılık üzerindeki etkisini analiz etmektir. Çalışmada bankacılık değişkeni olarak şube başına düşen nüfus (SNS), yapay zekâ değişkenleri olarak Co-Browsing (CO) ve IVN-IVR Sesli Yanıt Sistemi (IVN) değişkenleri kullanılmıştır. Değişkenlere ait gözlemler çeyrek dönemlik olarak 2012 1.çeyreği ile 2022 4.çeyreği arasında toplanarak veri seti oluşturulmuştur. Araştırma bulgularına göre şube başına düşen nüfus ile Co-Browsing değişkeni arasında %1 anlamlılık düzeyinde anlamlı negatif/pozitif ve oldukça şiddetli/orta düzeyde bir korelasyon ilişkisi görüldüğü tespit edilmiştir. Diğer yandan şube başına düşen nüfus ile sesli yanıt sistemi arasındaki korelasyon ilişkisi %1 anlamlılık düzeyinde anlamlı, pozitif ve orta altı şiddette iken, söz konusu değişkenin negatif şokları ile negatif ve yüksek derece %1 anlamlılık düzeyinde istatistiksel olarak anlamlı, pozitif şokları ile pozitif ve orta üzeri %1 anlamlılık düzeyinde istatistiksel olarak anlamlı korelasyonel ilişkiler tespit edilmiştir. Eşbütünleşme ilişkisi doğrultusunda uzun dönem katsayıları incelendiğinde Co-Browsing değişkeninin şube başına düşen nüfus değişkeni üzerinde uzun dönemde %1 anlamlılık düzeyinde istatistiksel olarak anlamlı ve negatif bir etkisinin olduğu tespit edilmiştir. Bu durumda Co-Browsing değişkenindeki %1’lik bir artışın/azalışın şube başına düşen nüfus değişkeni değişkeninde %0.024 bir azalışa/artışa sebebiyet verdiği söylenebilir. Bu iki değişken arasında kısa dönemli anlamlı bir ilişkinin saptanamadığı tespit edilmiştir. Eşbütünleşme ilişkisi doğrultusunda uzun dönem katsayıları incelendiğinde Sesli Yanıt Sistemi değişkeninin şube başına düşen nüfus değişkeni üzerinde uzun dönemde %1 anlamlılık düzeyinde istatistiksel olarak anlamlı ve negatif bir etkisinin olduğu tespit edilmiştir. Bu durumda sesli yanı sistemi değişkenindeki %1’lik bir azalışın şube başına düşen nüfus değişkeninde %0.196 artışa sebebiyet verdiği söylenebilir.

Anahtar Kelimeler

Geleneksel Bankacılık, Yapay Zekâ, Dijital Bankacılık

THE IMPACT OF ARTIFICIAL INTELLIGENCE APPLICATIONS IN BANKING ON TRADITIONAL BANKING

Öz

The aim of the research is to analyze the impact of artificial intelligence applications on banking. In the study, the banking variable is the population per branch (SNS), and the artificial intelligence variables are Co-Browsing (CO) and IVN-IVR Voice Response System (IVN). The data set was created by collecting observations of the variables quarterly between the 1st quarter of 2012 and the 4th quarter of 2022. According to the research findings, it was determined that there was a significant negative/positive and quite severe/moderate correlation relationship between the population per branch and the Co-Browsing variable at a significance level of 1%. On the other hand, while the correlation relationship between the population per branch and the voice response system was significant at a significance level of 1%, positive and below medium, negative and high-level correlation relationships were determined with the negative shocks of the variable in question, and statistically significant correlation relationships were determined with the positive shocks, and positive and above medium at a significance level of 1%. When the long-term coefficients are examined in line with the cointegration relationship, it is determined that the Co-Browsing variable has a statistically significant and negative effect on the population per branch variable at a significance level of 1% in the long term. In this case, it can be said that a 1% increase/decrease in the Co-Browsing variable causes a 0.024% decrease/increase in the population per branch variable. It has been determined that no short-term significant relationship can be determined between these two variables. When the long-term coefficients are examined in line with the cointegration relationship, it is determined that the Voice Response System variable has a statistically significant and negative effect on the population per branch variable at a significance level of 1% in the long term. In this case, it can be said that a 1% decrease in the voice response system variable causes a 0.196% increase in the population per branch variable.

Anahtar Kelimeler

Traditional Banking, Artificial Intelligence, Digital Banking

Kaynakça

• Akbaba, A. İ. & Gündoğdu, Ç. (2021). Bankacılık Hizmetlerinde Yapay Zekâ Kullanımı. Journal of Academic Value Studies, 7(3), 298-315.
• Autor, David H. (2015). Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29 (3), 3-30.
• Bathaee, Y. (2017). The artificial intelligence black box and the failure of intent and causation. Harv. JL & Tech., 31, 889.
• Bathaee, Y. (2018). The Artificial Intelligence Black Box and the Failure of Intent and Causation. Harvard Journal of Law & Technology, 31 (2), 889-938.
• Çelik, S. B. & Mangır, F. (2020). Bankacılık Sektörünün Dijitalleşmesi: Dünyada ve Türkiye'de Durum Analizi. Cyberpolitik Journal, 5(10), 260-282.
• Dhanabalan, T., Subha, K., Shanthi, R. & Sathish, A. (2018). Factors influencing consumers’ car purchasing decision in Indian automobile industry. International Journal of Mechanical Engineering and Technology, 9(10), 53-63.
• Dickey, D. A. & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a), 427-431.
• Dinçer, İ. (2019). Geleneksel Bankacılık ile Mobil Bankacılık Verimliliğinin Kıyaslanması (Yayınlanmamış Yüksek Lisans Tezi). Hasan Kalyoncu Üniversitesi Sosyal Bilimler Enstitüsü, Gaziantep.
• FSB (2017). Artificial intelligence and machine learning in financial services: Market developments and financial stability implications. 1 Ağustos 2024 tarihinde https://www.fsb.org/uploads/P011117.pdf adresinden erişildi.
• Gümüş, E., Medetoğlu, B., & Tutar, S. (2020). Finans ve Bankacılık Sisteminde Yapay Zekâ Kullanımı: Kullanıcılar Üzerine Bir Uygulama. Bucak İşletme Fakültesi Dergisi, 3(1), 28-53.
• Hair, J. F., Black, W. C., Babin, B. J. & Anderson, R. E. (2013). Multivariate Data Analysis. Harlow: Pearson Education Limited.
• Hameed, A. A. H. (2022). Artificial intelligence and its impact on decision-making in Jordanian banks (a field study in AMMAN) (Yayınlanmamış Yüksek Lisans Tezi). Karabük Üniversitesi, Sosyal Bilimler Enstitüsü, Karabük.
• Humphrey, D. B. (2003). Cost savings from electronic payments and ATMs in Europe. FRB of Philadelphia Working Paper No. 03-16, 1-28.
• Kaya, O., Schildbach, J., AG, D. B. & Schneider, S. (2019). Artificial intelligence in banking. Deutsche Bank Research.
• Malali, A. B. & Gopalakrishnan, S. (2020). Application of artificial intelligence and its powered technologies in the indian banking and financial industry: An overview. IOSR Journal Of Humanities And Social Science, 25(4), 55-60.
• Mai, H. (2018). Card fraud in Germany: Few incidents, but high costs. Deutsche Bank Research. Talking point.
• Mert, M. & Çağlar, A. E. (2019). Eviews ve Gauss uygulamalı zaman serileri analizi. Ankara: Detay Yayıncılık.
• Payne, E. M., Peltier, J. W. & Barger, V. A. (2018). Mobile banking and AI-enabled mobile banking: The differential effects of technological and non-technological factors on digital natives’ perceptions and behavior. Journal of Research in Interactive Marketing, 12(3), 328-346.
• Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289-326.
• Phillips, K. R., & Wang, J. (2016). Seasonal adjustment of hybrid time series: An application to US regional jobs data. Journal of Economic and Social Measurement, 41(2), 191-202.
• Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346.
• Sevüktekin, M., & Çınar, M. (2017). Ekonomik zaman serileri analizi. Bursa: Dora Yayıncılık.
• Shin, Y., Yu, B. & Greenwood-Nimmo, M. (2014). Modelling asymmetric cointegration and dynamic multipliers in a nonlinear ARDL framework. Festschrift in honor of Peter Schmidt: Econometric methods and applications, 281-314.
• Srivastava, U. & Gopalkrishnan, S. (2015). Impact of big data analytics on banking sector: Learning for Indian banks. Procedia Computer Science, 50, 643-652.
• Tang, S. M. & Tien, H. N. (2020). Impact of artificial intelligence on vietnam commercial bank operations. International Journal of Social Science and Economics Invention, 6(07), 296-303.
• Umamaheswari, S. & Valarmathi, A. (2023). Role of Artificial Intelligence in The Banking Sector. Journal of Survey in Fisheries Sciences, 10(4S), 2841-2849.
• WIPO (2019). Artificial Intelligence. Geneva: WIPO Technology Trends.
• Yağcılar, G. G. (20011). Türk Bankacılık Sektörünün Rekabet Yapısının Analizi. Ankara: BDDK.
• Zoric, A. B. (2016). Predicting Consumer Churn On Banking Industry Using Neural Network. Interdisciplinary Description of Complex Systems, 14(2), 116-124.