Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, makine öğrenmesi destekli veri kalitesi yönetiminin manuel süreçlere kıyasla daha sistematik, ölçeklenebilir ve izlenebilir bir yapı sunduğunu göstermektedir.
📌 3 Maddede Bu Makale
Özet
Dijital bankacılık ekosisteminde artan veri hacmi, veri kalitesinin finansal karar süreçleri üzerindeki etkisini daha görünür hâle getirmiştir. Özellikle müşteri bazlı analizlerde eksik, hatalı veya tutarsız veriler; kredi risk değerlendirmeleri, fiyatlama stratejileri ve kârlılık hesaplamaları üzerinde doğrudan etkiler yaratmaktadır. Bu çalışma, bankacılık sektöründe müşteri verilerine ilişkin veri kalitesi problemlerinin makine öğrenmesi tabanlı bir yaklaşımla otomatik olarak tespit edilmesini ve uygun veri kalitesi kurallarının önerilmesini amaçlamaktadır. Çalışmada senaryo (sentetik) müşteri veri seti kullanılmış, veri kalitesi etiketleri tanımlanmış ve makine öğrenmesi modeli aracılığıyla kolon bazlı kural öneri mekanizması geliştirilmiştir. Kullanıcı onayı sonrasında uygulanan veri kalitesi kuralları ile müşteri ve terim bazlı veri kalite skorları hesaplanmış ve iyileştirme etkileri analiz edilmiştir. Bulgular, makine öğrenmesi destekli veri kalitesi yönetiminin manuel süreçlere kıyasla daha sistematik, ölçeklenebilir ve izlenebilir bir yapı sunduğunu göstermektedir. Ayrıca veri kalitesi iyileştirmelerinin müşteri kârlılığı analizlerinin doğruluğunu artırarak finansal performansa olumlu katkı sağlayabileceği ortaya konulmuştur. Çalışma, veri kalitesi yönetimini teknik bir kontrol mekanizması olmaktan çıkararak stratejik ve finansal bir değer unsuru olarak ele almaktadır. Geliştirilen Rastgele Orman (Random Forest) modeli kural önerisinde test veri seti üzerinde yüksek başarı göstermiştir.
Abstract
The increasing volume of data in the digital banking ecosystem has made the impact of data quality on financial decision-making processes more visible. In customer-based analyses, incomplete, inaccurate, or inconsistent data directly affect credit risk assessments, pricing strategies, and profitability calculations. This study aims to automatically detect data quality issues in customer data within the banking sector using a machine learning-based approach and to propose appropriate data quality rules. A scenario-based (synthetic) customer dataset was used, data quality labels were defined, and a column-level rule recommendation mechanism was developed through a machine learning model. After user approval, data quality rules were applied, and both customer-level and attribute-level data quality scores were calculated to analyze improvement effects. The findings demonstrate that machine learning-supported data quality management provides a more systematic, scalable, and traceable structure compared to manual processes. Furthermore, improvements in data quality enhance the accuracy of customer profitability analyses and contribute positively to financial performance. The study approaches data quality management not merely as a technical control mechanism but as a strategic and financial value driver. The developed Random Forest model demonstrated high success in proposing rules on the test dataset.