Makine Öğrenmesi Yaklaşımı ile Acente Kredi Riski Hesaplama

Yıl 2022, Cilt: 15 Sayı: 2, 159 - 166, 30.04.2022

Serkan Kırca , Güldeniz Canatan , Vedat Güneş

https://doi.org/10.17671/gazibtd.1039963

Öz

Ekonomik trendlerin hızla dijital süreçlere uyum sağladığı günümüzde finans sektöründe risk analizi ilgili kurumların sahip oldukları değerler, birlikte çalıştıkları paydaşlar ve faaliyet gösterdikleri sektörler için büyük önem arz etmektedir. Risk analizi herhangi bir anda müşterinin ya da çalışılan firmanın risk potansiyelini ölçümleyebilmek adına son derece önemli bir çalışma olup, sadece finans sektöründe değil, diğer sektörlerde faaliyet gösteren şirketlerin de değerlendirmesi gereken bir çalışma haline gelmiştir. Riskini önden bilme gayreti şirket finansal durumunu doğru yönetmek adına emek yoğun bir çaba haline dönüşmüştür. Bununla birlikte veri merkezli çalışmaların arttığı günümüzde risk değerlendirme çalışmaları da veri analitiği teknolojileri ile zenginleşmekte ve eskiye nazaran daha iyi sonuçlar üretmeye başlamışlardır. Geniş bir ekosistem ile müşterilerine hizmet vermeye gayret eden sigorta şirketleri risk konusunda iki temel alanda; müşterinin ve kendisine bağlı faaliyet gösteren acentelerin, risk değerlerini hesaplamak için veri merkezli analitik süreçler geliştirmektedir. Sigorta şirketleri için risk analizleri son derece önemli olup, finansal riski belirlenen müşteri ya da acenteye göre iş akışlarında kurallar tanımlamakta veya yaptırımlara varan aksiyonlar alabilmektedirler. Acente ağı sigortacılık sektörü için gelirlerin %70’i anlamına gelmektedir. Yapılan hesaplamalar sonucunda her bir acentenin sigorta şirketi için ifade ettiği finansal risk değeri tahminlenmiştir. Çok riskli bulunan acenteler bütün portföyün yaklaşık %0,2’si kadardır. Bu çalışmada acente risk değerlendirme süreci makine öğrenmesi yöntemleri kullanılarak hesaplanmıştır ve uygulanan faaliyetler paylaşılacaktır.

Anahtar Kelimeler

Acenteler, Acente Riski, Anadolu Sigorta, Finansal Risk, Risk Tahminleme

Teşekkür

Bu çalışmanın hayata geçirilmesinde öncelikle Anadolu Sigorta Türk Anonim Şirketi’ne, Bu şirketin çatısı altında bulunan Risk Yönetimi Müdürlüğü'ne, şirketin çatısı altında bulunan İş zekâsı ve Analitik Birimi’ne ve Anadolu Sigorta Türk Anonim Şirketi tüm çalışanlarına teşekkürlerimizi sunarız.

Agency Credit Risk Calculation with Machine Learning Method

Öz

Financial risk analysis is evolving according to the fast moving economical trends and it is getting more important for companies, ecosystem, and stakeholders. Risk prediction algorithms help companies to estimate their potential and define mitigation activities. Insurance is a risk centered topic in finance and risk managment is the basic activity to make profit. There are two main stakeholders in insurance; cusotmers and distributors. Distributors communicate with customers on behalf of insurance company for underwriting and claim processes. Distributors generate more than 70% revenue in total for insurance companies. Mainly, distributors collect money from customers and keep it for a while and then transfer to the company account. Anadolu Insurance have almost 5.000 distributors. This means more than 7 billion revenue generation in 2021. In this study, we developed a data analytics flow to predict the distributors which have high financial risk and define mitigation activities in order to handle the risk, identified. Also, it is a critical information for Anadolu Insurance to prevent the customers who are managed by the distributor, has high risk potential. Distributors can damage customer relations while they are trying to manage financials. In the flow we developed, we will share details about how Anadolu Insurance predicted financial risk value for each distributor by using machine learning algorithms. We identified 0.2% of the distributors have higher financial risk and Anadolu Insurance will try to handle this by not harm its customers.  

Anahtar Kelimeler

agency, agency risk, anadolu insurance, financial risk, risk prediction

Kaynakça

• Z. T. Aloğlu, Bankacılık sektörünün karşılaştığı riskler ve bankacılık krizler üzerindeki etkileri, Uzmanlık Yeterlilik Tezi, Türkiye Cumhuriyet Merkez Bankası, 2005.
• E. Gümüş, B. Medetoğlu, S. Tutar, ”Finans ve Bankacılık Sisteminde Yapay Zeka Kullanımı: Kullanıcılar Üzerine bir Uygulama”, Bucak İşletme Fakültesi Dergisi, 3(1), 28-53, 2020.
• A. M. Suresha, ”Machine Learning for Mining Weather Patterns and Weather Forecasting”, ResearchGate, 95(6), 42-51, 2020.
• B. E. Katı, E. U. Küçüksille, ”Oracle ve MS SQL Server Veri Tabanları İçin Veri Tabanı Yönetim Sistemleri Güvenlik Kontrol İlkelerinin Takip Edilmesi ve Uygulanması”, Uluslararası Teknolojik Bilimler Dergisi, 10(2), 22-46, 2018.
• A. Geron, Scikit-Learn, Keras ve Tensorflow ile Uygulamalı Makine Öğrenmesi, Mustafa Murat Arat & Vedat Çelik, Ankara, Türkiye, 2021.
• Internet: Türkiye Cumhuriyet Merkez Bankası Tüketici Fiyatları, https://www.tcmb.gov.tr/wps/wcm/connect/TR/TCMB+TR/Main+Menu/Istatistikler/Enflasyon+Verileri/Tuketici+Fiyatlari, 12.12.2021.
• D. Karasoy, N. Tuncer, ”Outliers in Survival Analysis”, Alphanumeric Jurnal, 3(2), 139-152, 2015.
• Internet: M. Bektaş, Aykırı Değerlerin Tespiti ve Bu Değerlerle Mücadele Yöntemleri, https://medium.com/@mbektas/ayk%C4%B1r C4%B1-de%C4%9Ferlerin-tespiti-ve-bu-de%C4%9Ferler-ile-m%C3%BCcadele-y%C3%B6ntemleri-4f0cf76737d1, 01.12.2021.
• Y. Poyraz, S. Sevgen, ”GPU Programlama Tekniği ile Yüksek Performanslı Araç Takibi”, Bilişim Teknolojileri Dergisi, 10(3), 255-261, 2017.
• S. Kırca, K. Halatçı, V. Güneş, ”Acente Performans Ölçümleme Çalışması”, Veri Bilimi Dergisi, 4(2), 49-56, 2021.
• Internet: Sklearn Ensemble GredientBoostingRegressor, https://scikit-learn.org/stable/modules/generated/sklearn.ensemble GradientBoostingRegressor.html, 24.11.2021.
• Hwang H., Jung T., Suh E. “An LTV Model and Customer Segmentation Based on Customer Value: A Case Study on the Wireless Telecommunication Industry”, Jurnal of Interactive Marketing, 13(3), 2-12, 2004.
• Jain A. K., Murty M. N., Flynn P. J. “Data Clustering: A Review”, ACM Computing Surveys, 31(3), 264-323, 1999.
• A. Anbar, Kredi riski yönetim aracı olarak kredi türevleri ve türk bankacılık sektöründe uygulanabilirliği, Doktora Tezi, Uludağ Üniversitesi, 2005.
• C. Lombardi, G. F. Tassi, G. Pizzocolo, F. Donato, “Clinical Significance of a Multiple Biomarker Assay in Patients with Lung Cancer: A Study with Logistic Regression Analysis”, Chest, 97(3), 639-644, 1990.
• Doğan B., Buldu A., Demir Ö., Ceren E. B. “Sigortacılık Sektöründe Müşteri İlişki Yönetimi İçin Kümeleme Analizi”, Karaelmas Fen ve Mühendislik Dergisi, 8(1), 11-18, 2018.
• Saruman G. “Veri Madenciliğinde Kümeleme Teknikleri Üzerine Bir Çalışma: K-Means ve KMedoids Kümeleme Algoritmalarının Karşılaştırılması”, Fen Bilimleri Enstitüsü Dergisi, 15(3), 192-202, 2011.
• Çakmak D, Baştürk F. H. “Türk Sigortacılık Sektörünün 2007-2018 Yıllarına Ait Performansının Oran Analizi Yöntemi ile Ölçülmesi ve Sektörün Ekonomik Büyüme Üzerindeki Etkisi”. Çanakkale Onsekiz Mart Üniversitesi Uluslararası Sosyal Bilimler Dergisi, 4(2), 235-264, 2019.
• J. Robert, S. M. Turnbull, “The Intersection of Market and Credit Risk”, Journal of Banking & Finance, 24(1), 271-299, 2000.
• T. İldaş, “Kredi Riski Ölçüm Modellerinin Değerlendirilmesi”, Finansal Araştırmalar ve Çalışmalar Dergisi, 13(25), 516-547, 2021.
• H. Budak, S. Erpolat, “Kredi Riski Tahmininde Yapay Sinir Ağları ve Logistic Regresyon Karşılaştırılması”, AJIT-e: Online Academic Jurnal of Information Technology, 3(9), 23-30, 2012.
• B. Donel, Yapay sinir ağı yöntemi ile kredi skorlama, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, 2012.
• Internet: B. Ay, BVYZLab, http://buyukveri.firat.edu.tr/veri-setleri/, 01.02.2021.
• M. Talo, B. Ay, S. Makinist, G. Aydin, “Bigailab-4race-50K: Race Classification with a New Benchmark Dataset”, International Conference on Artificial Intelligence and Data Processing (IDAP), 1–4, 2018.
• P. G. Shambharkar, A. Anand and A. Kumar, "A Survey Paper on Movie Trailer Genre Detection", 2020 International Conference on Computing and Data Science (CDS), 2020, 238-244, doi: 10.1109/CDS49703.2020.00055.
• S. Oktay, H. Temel, “Basel II Kriterleri Ekseninde Ticari Bankalarda Kredi Riski Yönetiminin Karşılaştırılmasına Yönelik Bir asha Çalışması”, Uluslararası Yönetim İktisat ve İşletme Dergisi, 3(6), 163-186, 2007.
• Internet: Deep Learning (Derin Öğrenme) Nedir?, https://www.kodsihirbazi.com/deep-learning-derin-ogrenme-nedir/, 13.12.2021.
• A. Baykal, “Veri Madenciliği Uygulama Alanları”, Dicle Üniversitesi Ziya Gökalp Eğitim Fakültesi Dergisi, 1(7), 95-107, 2006.