Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightGeliştirilen model bankacılık, faktoring, leasing, sigortacılık alanlarındaki hemen her finansal işlemde risk taşıyan aykırı gözlemleri bulabildiği gibi finansal sektörü düzenleyici ve denetleyici kurumlar tarafından da kullanılabilir.
📌 3 Maddede Bu Makale
Özet
Finans sektöründe çevrimiçi ve mobil işlemlerin sayısı ve hızının artması beraberinde farklı riskleri ve denet- leme maliyetlerini de getirmiştir. Bu riskler sahtecilikten kredi riskine, veri tabanı hatalarından, operasyonel problemler ve müşteri kayıplarına kadar çok farklı alanlarda gerçekleşebilir. Bu çalışmada faktoring işlemleri için senaryo bazlı aykırılık analizi bu riskleri oluşma aşamasında ve gözetimli bir istatistiksel bir model kurma- dan tespit etmeyi amaçlamaktadır. Aykırılık analizi bağlamında karakteristikleri ana kümeden büyük sapma gösteren çek, müşteri ya da müşteri temsilcisi gözlemleri aykırı olarak tanımlanmaktadır. Bu karakteristikler fak- toring uzmanlarının tecrübelerine dayanılarak geliştirilen senaryo kurguları içinde seçilip bir araya getirilmiştir. Karakteristiklerin ana kümeden sapmaları Mahalanobis, Minimum Kovaryans, ve Ortogonolize Gnanadesikan- Kettenring uzaklıkları ile hesaplanmaktadır. Çalışmada kullanılan veritabanı bir faktoring şirketinin 2018-2020 arası çek faktoring işlem bilgileri ile Kredi Kayıt Bürosu Çek ve Risk raporlarını birleştirmekte ve 7 farklı senaryo kullanılarak aykırı işlemler bulunmaktadır. Kurulan modelin aykırı değer eşik seviyesinin finansal kurumun to- lere edebileceği hata tespit oranları ve istihbarat bütçesi çerçevesinde nasıl ayarlanıp optimize edilebileceği de çalışmada gösterilmiştir. Geliştirilen model bankacılık, faktoring, leasing, sigortacılık alanlarındaki hemen her finansal işlemde risk taşıyan aykırı gözlemleri bulabildiği gibi finansal sektörü düzenleyici ve denetleyici kurumlar tarafından da kullanılabilir.
Abstract
The increase in the number and speed of online and mobile transactions in the financial sector generates various risks and monitoring costs. Some of these risks include fraud risk, credit risk, database errors, operation- al problems and churn risk. In this study, scenario-based anomaly detection analysis for factoring transactions is used to identify these risks at an early stage without establishing a supervised statistical model. In anomaly detection, observations at the check, customer or customer representative level whose characteristics deviate from the main cluster are defined as outliers. The characteristics in scenarios are selected based on the experi- ence of factoring experts. The deviations of the characteristics from the main cluster are calculated by the Ma- halanobis, Minimum Covariance, and Orthogonolized Gnanadesikan-Kettenring distances. The data used in this study are comprised of check-level factoring transactions of a factoring company between 2018-2020 and the check and risk reports issued by the Credit Registration Bureau and are detected as outliers by using 7 different risk scenarios. The study also shows that the outlier detection threshold can be optimized within the framework by considering the model errors and the monitoring budget of the financial institution. The developed model can detect risk carrying anomalies in almost every financial transaction in the banking, factoring, leasing, and insurance sectors and can be also employed by the financial regulatory and supervisory institutions