Bankacılık sektöründe makine öğrenmesi yöntemlerini kullanarak POS ciro tahmini

---

Tezin Türü: Yüksek Lisans

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

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Öğrenci: TUĞÇE SAYIN

Danışman: Tufan Demirel

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Günümüzde büyük tutarlara ulaşan ödeme alma ve ödeme verme işlemlerinin sorunsuz ve hızlı şekilde sonuçlandırılmasını sağlayan ödeme sistemleri hayatın her alanında yüksek öneme sahiptir. Açılımı "Point of Sale" olan ve ödeme alma şekline göre ayrışan POS cihazları ise ödeme sistemlerinin temelini oluşturmaktadır. Finans sektöründe, Elektronik Fon Transferinin (EFT) yapılmasına olanak sağlayan POS cihazlarından geçen ciro işletmeler arasında rekabete neden olmaktadır. Yapılan çalışmada Türkiye'nin önde gelen katılım bankalarından birinde bireysel müşterilerden çok tüzel müşterilerin POS cihazlarından geçen ciro değerlerine odaklanılmaktadır. Böylelikle, portföy sorumlularının potansiyel tüzel POS müşterilerinin tespiti, yeni müşteri kazanımı ve banka stratejilerinin belirlenmesi hedeflenmektedir. Çalışma kapsamında 2021 yılı ağustos ayı ile 2021 yılı temmuz ayı arasında gerçekleşen veriler kullanılmıştır. Veriler 16 farklı bölgenin 402 şubesinden rastgele şekilde seçilmiştir. Veri seti 1500 gözlem biriminden ve 23 adet farklı değişkenden oluşmaktadır. Gözlem birimleri müşterileri ifade ederken değişkenler POS cirosunu etkileyebilecek müşteri bilgilerinden oluşmaktadır. Bu kapsamda sektörde önemli yere sahip tüzel banka müşterilerinin POS cihazlarından geçen aylık ciro değerlerine ait veri seti %80 eğitim -%20 test ve %70 eğitim-%30 test örneklemlerine göre denetimli makine öğrenmesi algoritmalarıyla (Tek Değişkenli Lineer Regresyon, Çok Değişkenli Lineer Regresyon, Ridge Regresyon, Lasso Regresyon, K-En Yakın Komşu, Random Forest,Karar Ağaçları ve XGBoost) R-Studio yazılım dilinde tahminlenmektedir. Veri setinin analizi sonrasında kullanılan algoritmaların performansı farklı istatistiksel ölçütlerle (r^2-korelasyon katsayısı, MSE- Ortalama Kare Hatası, RMSE- Ortalama Karekök Sapması, MAE- Ortalama Mutlak Değer) 10 Katlı Çapraz Doğrulama yöntemi kullanılarak kıyaslanmıştır. Kıyaslama sonucunda en iyi performans gösteren modelin XGBoost algoritması (%80 eğitim-%20 test) olduğu tespit edilmiştir.