Türkçe metin verilerinde doğal dil işleme ve derin öğrenme yöntemleri ile kredi riski tahmini


Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İSTATİSTİK ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: EMRE RIDVAN MURATLAR

Danışman: Doğan YILDIZ

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tez çalışması, bankacılık sektöründe kredi riskinin yönetimine katkı sağlamak amacıyla, Türkçe çağrı merkezi telefon görüşmelerinden elde edilen metin verilerinin analiz edilmesini hedeflemektedir. Çalışmada, müşterilerin verdikleri ödeme taahhütlerini yerine getirip getirmeyeceklerinin tahmin edilmesi amaçlanmış, bu doğrultuda çağrı merkezi konuşmaları, yapılandırılmamış bir veri kaynağı olarak ele alınmıştır. Analiz sürecinde, konuşmadan metne dönüştürme (speech-to-text) teknolojileri kullanılarak metne dönüştürülen konuşmalar üzerinde kapsamlı bir veri temizliği ve ön işleme süreci uygulanmıştır. Metinlerin sayısal temsile dönüştürülmesinde doğal dil işleme (NLP) tekniklerinden yararlanılmış, modelleme aşamasında 3 farklı metin gömme (embedding) yöntemi ile iki katmanlı Long Short-Term Memory (LSTM) mimarisi kullanılmıştır. Elde edilen bulgular, ödeme taahhütlerini yerine getirmeyen müşterilerin konuşmalarında finansal zorluklara, sağlık veya ailevi nedenlere ilişkin ifadelerin daha sık yer aldığını, ek olarak güven tesis etmeye yönelik belirli söylem kalıplarının öne çıktığını göstermektedir. Bu sonuçlar, çağrı merkezi konuşmalarından elde edilen metin verilerinin, müşterilerin ödeme davranışlarına ilişkin sinyaller sunabildiğine işaret etmektedir. Çalışma, Türkçe çağrı merkezi verileri üzerinde farklı metin temsil yaklaşımlarının uygulanabilirliğini ortaya koymakta ve yapılandırılmamış metin verilerinin kredi riski tahmin modellerine entegre edilmesinin potansiyel faydalarını göstermektedir. Ayrıca geliştirilen yaklaşımın, kredi riski tahmin doğruluğunu artırmanın yanı sıra, çağrı merkezi süreçlerinin daha etkin yönetilmesine katkı sağlayabileceği değerlendirilmektedir. Gelecek çalışmalarda, veri temizleme süreçlerinin otomatikleştirilmesi ve konuşmadan metne dönüştürme teknolojilerinin geliştirilmesiyle model performansının iyileştirilmesi hedeflenebilir.