Proje İçeriği

ML tabanlı Tahsilat Optimizasyonu projesi, bankamız gecikmeli müşteri portföy yönetiminde; müşteriye ilk ulaşabilen ve doğru zamanda doğru aksiyonları alarak, hem finansal güçlük çeken müşterileri rehabilite etme hem de yakın zamanda ödeme yapabilecek yada yapamayacak müşterilerden tahsilat durumlarını öğrenebilmek amacı ile Makine Öğrenmesi Algoritmalarına dayalı modellerin oluşturulduğu bir projedir. Proje kapsamı 3 aşamadan oluşmaktadır : 1. Veri Hazırlama Süreci : banka içi ve banka dışı (Bkm, Kkb, vb) verilere erişim sağlandı, geçmiş 6 dönem için yaklaşık 5000 farklı parametre ile çalışıldı, veri kalitesi çalışmaları yapıldı 2. Model Geliştirme : Makine öğrenme sürecinde doğru modelin belirlenmesi için bir çok algoritmalar ile çalışmalar yapıldı, model optimizasyonu için farklı periyotlarda simülasyonlar yapıldı, müşteriler 8 Segmente ayrıldı ve 8 Model oluşturuldu, yeni teknolojiler için Ar-Ge çalışmaları yapıldı 3. Model Otomasyonu : Otomasyon ile mevcut modelin iyi veya kötü yönde performans gösterdiğini izleyebiliyoruz , Otomasyon, daha iyi bir modelin olabileceği önerisini verebiliyor, böylece öğrenen ve kendini yenileyen bir yapı kurulmuş oldu. 4. Stratejinin Çalışması: İş birimi, Experian firmasının desteği ile Power Curve üzerinde müşteriler için hazırlanan verilerileri işleyecek stratejileri hazırladı. Önceki aşamalarda günlük ve aylık periyotlarda hazırlanan müşteri risk,limit, crm, segment, model bilgileri girdileri ile Strateji, müşteriler için alınması gereken aksiyonları, sinyal, risk kodlarını üretir. 5. Strateji Çıktılarının İşlenmesi: Stratejinin müşteriler için ürettiği Lİmit bloke, KKB sorgu güncellemesi, olumsuzluk kaydı atılması işlemleri otomatik olarak yapılır. Stratejinin Genel Müdürlükteki ekipler ve şubeler tarafından müşterilere alınmasına karar verdiği aksiyonlar bankacılık uygulamasına işlenir ve ilgili ekiplere email yoluyla bilgilendirme yapılır. 6. Kullanıcı Arayüzleri: Limit ve riski müşterilerin bilgilerini detaylı şekilde gösteren ekranlar hazırlandı. Kullanıcılar bu sayede müşterilerin bilgilerini detaylı şekilde analiz edebilmekte. Strateji karar çıkarmamış olsa da müşterilere ilgili alınması gereken manuel aksiyonları alabilmektir. 7. Strateji sonrası olusan aksiyonların alınması, burada oluşan müşteri ile ilk temas aksiyonları, sms , arama , e- mail aksiyonları için mobil ve call center Bankacılık ekipleri ile entegre calışılmıstır.

Projenin Amacı

Kurum içerisindeki Perakende Tahsilatlar Müdürlüğü ve gecikme müşterilerindeki süreci iyileştirmek

Proje içindeki en büyük inovasyon nedir? (yeni bir teknoloji veya var olan teknolojinin farklı kullanımı gibi. IOT, M2M, AI vb.)

2021 Haziran ayı itibari ile tahsilat optimizasyonu projemiz ile sistemini yenileyen bankamız, 2022'nin ilk dönemlerinde aktif şekilde her müşteriye erişimi sağlamış olup belirli oranda ödemeler artıp , müşterinin takibe gitmesi engellenmiştir.

Proje kurum içindeki hangi bölüme fayda sağlamıştır?(satış, pazarlama, finans, İK, IT, Üretim, Planlama, Satın alma, Lojistik Müşteri İlişkileri gibi)

Makine Öğrenmesi Algoritmalarına dayalı modellerin oluşturulduğu bir projedir, bu sayede kurumumuzda makine öğrenmesi altyapı mimarisi tasarlandı ve bu mimariye uygun yapı kuruldu. Ayrıca stratejinin verdiği kararlar doğrultusunda müşteriye alınacak aksiyonlar belirlendi.

Projenin hayata geçirilmesi konusunda üst yönetimin desteğini tam olarak alabildiniz mi?

Projenin her aşamasında detaylı bilgilendirmeler ile birlikte üst yönetime sunumlar yaparak bilgi paylaşımları yapılmıştır. Desteklerini her zaman belirttiler.

Proje sonunda ortaya çıkan sonuçları analiz edebildiniz mi? Rakamsal verilerle ifade eder misiniz?(ROI, maliyetlerde yüzdesel azalma, üretim süresinde azalma, hata payının düşmesi vs.)

Proje kurum içerisinde Kredi Kalitesi ve Tahsilatlar iş ailesi için önemli faydalar sağlamıştır. Tek bir uygulama üzerinden toplanan veriler ML algoritmaları ile tahminleme yapılarak bir çok aksiyonlar otomatik olarak alınmaktadır. Perakende Tahsilatlar ekibinin, IT ekiplerine bağımlılığını azaltacak şekilde kendi stratejilerini üzerinde kurgulayıp çalıştırabilecekleri Power Curve karar motoru kullanılmıştır.

Projenizde şirket içinden kaç kişi aktif olarak görev almıştır? Ekip birimleri hakkında kısaca bilgi verir misiniz?

Projemizde 19 kişi aktif olarak görev aldı. DW / AI Arge geliştirme ekibi, veri toplama , veri kalitesi arttırıcı faaliyetler, model geliştirme çalışmalarında görev aldı. Veri Analistleri ekibi , verilerin analiz edilmesi, test edilmesi ve model çıktılarının değerlendirilmesinde görev aldı. Yazılım geliştirme ekibi, Model sonucuna göre müşteriler ile ilgili alınacak aksiyonlar ile ilgili geliştirme çalışmalarında görev aldı. ML Altyapı Admin ve Mimar, sistem tasarımı , kurulumu ve işletilmesi çalışmalarında görev aldı. Proje yönetimi - 1 kişi DW / AI Arge geliştirme ekibi - 6 kişi Veri Analistleri - 5 kişi Yazılım geliştirme ekibi - 5 kişi

Projenizde (varsa)işbirliği kurduğunuz veya destek aldığınız bilişim şirketlerini belirtiniz.

Experian firmasından modelleme konusunda danışmanlık alındı

Proje sırasında kullandığınız ve spesifik önemi olan markaları (varsa) belirtiniz. (Yazılım veya donanım markaları)

Python programlama dili, Linux işletim sistemi, XGBoost ML Algoritmaları, C#, Experian Power Curve