Aktif Bank Makine Öğrenmesi ile Fark Yaratıyor

Aktif Bank Makine Öğrenmesi ile Fark Yaratıyor

Türkiye’nin en kapsamlı finansal teknolojiler ekosistemi olarak faaliyet gösteren Aktif Bank, makine öğrenimi ile hayata geçirdiği yeni projelerle fark yaratmaya devam ediyor.

Türkiye’nin en büyük özel sermayeli yatırım bankası Aktif Bank, yatırım bankacılığını yeniden yorumladığı inovatif iş modelleri ve teknoloji yatırımları ile Türkiye’nin en kapsamlı finansal teknolojiler ekosistemi olarak faaliyetlerini sürdürüyor.

Müşteri odaklı yaklaşımıyla Aktif Bank; fintech girişimleri ve iş ortakları ile birlikte 10’un üzerinde iş kolunda bankacılık ürünlerinden sigortaya, ulaşımdan ödeme sistemlerine, teknoloji üretiminden eğlence dünyasına kadar geniş bir yelpazede hayatın 360 derece her noktasında 12 milyondan fazla müşteriye sesleniyor.

Aktif Bank Türkiye genelindeki 13 şubesi ile ağırlıklı olarak kurumsal bankacılık, yatırım bankacılığı ve özel bankacılığa odaklanıyor. Bireysel kullanıcılarına şube olmaksızın, pürüzsüz ve baştan sona bir deneyim yaşatmayı dijital bankası N Kolay ile sağlıyor. 2022 yılında yeni ürün ve hizmetlerle genişletmeye devam ettiği N Kolay’ı Türkiye’nin en sevilen ve en kapsayıcı “lider dijital bankası” konumuna getirmeyi hedefliyor.

Kredi güvenliğinde önemli adım

Son dönemde teknoloji tarafında hayata geçirdikleri bir çok proje ile çeşitli ödüller aldıklarını belirten Aktif Bank Merkezi Veri Yönetimi Bölüm Başkanı Mehmet Yaşar Sungur, “Son projemizde hedefimiz, yapılandırma kredileri için oluşturulan skorkart ile yapılandırılmış kredilerde yüksek olasılıkla takibe intikal edecek olan kitlenin kredilendirilmesinin önüne geçmekti. Müşterilerin kredi yapılandırması için doğru kararı hızlı bir şekilde alabilmek amacıyla Yapılandırma Skorkart modelini geliştirdik. Kredilerin yapılandırılması süreci, Risk İzleme ekipleri tarafından manuel olarak müşterilerin tek tek incelenmesi ile yürütülen bir süreçti. Bu çalışma ile risk izleme süreçlerini otomatikleştirerek zaman ve kaynak tasarrufu sağladık” dedi.

Yapılandırma Skorkart modeli ile veri analizini daha etkili bir hale getirerek doğru ve güvenilir sonuçlar elde etmeyi hedeflediklerini de belirten Sungur, “Bankamız kredilerinde gecikmesi olan müşteriler için geliştirilen bu model, banka veri tabanından birçok veri kullanılarak hayata geçirildi. Çağrı merkezi görüşmeleri, bankamız kredileri ödeme performansları, demografik bilgiler modelimizde girdi olarak kullanıldı. Model geliştirme sürecinde farklı makine öğrenmesi modelleri denenmiş, en iyi performans gösteren model kullanılmaya başlandı. Makine öğrenmesi tabanlı çalışan modelimiz ile üretilen skora göre bir cut off değeri belirlenerek, yapılandırmaya uygun olan müşteriler belirlendi. Cut off değerinin altında kalan müşteriler için yapılandırma ret kararı verilmesi uygun görüldü. Reddedilen kitle, yapılandırma sonrasında krediyi ödeme ihtimali daha düşük olan müşteri grubunu temsil etmektedir. Müşterilerin kredisini yapılandırarak ödeme kolaylığı sağlama avantajını, kredisini yapılandırma sonrasında düzgün ödeyebilecek kitlelere sunmak önem arz etmektedir. Devreye alınan Yapılandırma Skorkart modelinin çıktılarına bakıldığında, sürece olumlu katkıda bulunduğu, iş yükünün hafifletildiği ve doğru müşterilerin yapılandırma sürecine onay verildiğini söylemek mümkündür” şeklinde görüş belirtti.

Yeni ve daha mutlu müşteriler

Müşteri sadakat segmenti ile ürün bazında kurum bağlılığını ölçen skorkartın özellikle müşteri kazanımı ve aktivasyonu aksiyonlarında kullanılması ile müşteri memnuniyeti tarafında bir artış olduğunu belirten Mehmet Yaşar Sungur, “Müşterilerimizi benzer özelliklere sahip gruplara ayırarak, daha etkili pazarlama stratejileri geliştirmek ve müşteri deneyimini iyileştirmek adına RFM Algoritması ile Müşteri Segmentasyonu çalışması yaptık. Her bir segmentin ihtiyaçlarının, tercihlerinin ve davranışlarının farklılığından doğacak taleplere göre segmentleri ayrıştırdık. Böylelikle bankamızın farklı müşteri gruplarına odaklanmasını sağlamasını amaçladık. Projemizi, bankamızda ihtiyacı doğabilecek ekiplere anlattık ve oluşturacakları stratejilere yardımcı olabilecek önerilerde bulunduk” dedi.

“En Değerli Müşteriler”i farklı kılabilecek kampanyalar ile ayakta tuttuklarına vurgu yapan Sungur bı konuda ise şunları söyledi:

“Uyuyan Müşteriler” olarak adlandırdığımız düşük RFM skorlarına sahip müşterilere ise neden churn ettiklerine dair anketler çıktık. Müşterilerin bu segmentlere atanması, pazarlama stratejilerinin daha iyi şekillendirilmesini ve hedefli iletişim sağlanmasını mümkün kıldı. Her ay düzenli olarak çalışan Segmentasyon çalışmamız ile müşteri kaybını azaltma, müşteri sadakatini artırma, kişiselleştirilmiş pazarlama stratejilerini oluşturma ve rekabet avantajı elde etme fırsatlarını daha hızlı bir şekilde yakaladık. Nihai olarak, RFM algoritması ile yapmış olduğumuz Müşteri Segmentasyonu projemizin amacı, müşterileri değerlendirerek segmentlere ayırmak ve bu segmentlere özel pazarlama stratejileri oluşturarak müşteri sadakatini artırmak ve bankamızın performansını iyileştirmektir.”

3. Churn modeli ile bankanın lokomotif ürünlerinden olan Yatırım ürünü için Müşteri kaybını önleyen aksiyonların belirlenmesi sağlanmaktadır.

Bono Churn modeli ile müşteri kaybı en aza indi

Aktif Bank Veri Bilimi Ekibi olarak müşteri memnuniyetini artırmak ve müşteri kaybını azaltmak için banka müşterileri özelinde Bono Churn modelini geliştirdiklerini kaydeden Mehmet Yaşar Sungur, “Temel gayemiz, mevcut müşterilerin neden ayrıldığını belirlemek ve müşteri kaybını engellemek için etkili stratejiler geliştirmekti. Proje için kullandığımız veri setinde müşterilerin profillerini, hesap aktivitelerini, kart kullanımlarını, yatırım hesap bakiyelerini vb. birçok hareketleri ele aldık. Modelin oluşturulması için çok fazla sayıda makine öğrenimi algoritmaları ve veri analitiği yöntemlerini kullandık” dedi.

Proje kapsamında, yukarıda belirtilen değişkenlere ek olarak veri setine eklenen dışsal değişkenler ile bir Churn modeli eğittiklerini ve Churn riski taşıyan müşterileri tespit etmek için kullandıklarını belirten Sungur sözlerini şu şekilde bitirdi:

“Öte yandan modelin varsayılan eşik değeri yerine churn eğilimi gösteren müşterileri tanımlamak için analizlerimiz sonucunda kendi belirlediğimiz eşik değerlerini kullandık. Veri Bilimi Ekibi olarak, Churn modelini müşteri hizmetleri, müşteri deneyimi, dijital bankacılık gibi birçok paydaş birim süreçlerine entegre ettik. Bu birimler, model uyarılarını ve bilgilerini kullanarak churn riski taşıyan müşterilere özel olarak odaklandı. Bu sayede, müşteri memnuniyeti artırıldı ve müşterilerin churn etmesinin önlenmesine yönelik çeşitli aksiyonlar alındı. Churn modeli sayesinde Aktif Bank olarak, müşteri sadakatini önemli ölçüde artırdık ve müşteri kaybını büyük ölçüde azalttık. Müşteri ihtiyaçlarını daha iyi anlayarak kişiselleştirilmiş hizmetler sunabildik. Ayrıca, churn riski taşıyan müşterilere özel teklifler ve avantajlar sunarak müşterilerin bankada kalma motivasyonunu da sağlamış olduk. Artık Churn modeli Aktif Bank için müşteri ilişkileri stratejilerinde önemli bir aksiyon noktası oldu. Bu sayede müşteri kaybı azaltılarak gelir düzeyi artırılmış oldu ve sektörde iddialı konuma gelindi. Ayrıca, yukarıda da bahsedildiği gibi müşteri memnuniyetinin artması sayesinde Aktif Bank olumlu bir itibar kazandırıldı ve müşteri portföyü genişletildi.”

Benzer Haberler
Image link
Türkiye Yapay Zeka Zirvesi’ne Az kaldı!
Türkiye yapay zeka ekosisteminin bir araya geleceği Zirve’de yerinizi ayırtın.
Send this to a friend