Makine Öğrenmesi Destekli Vadeli Mevduat Fiyatlama Çözümü

Bankacılık sisteminde mevduatlar, bankaların en önemli fonlama kaynakları arasında yer almaktadır. Mevduatların toplam kaynaklar içerisindeki ağırlığı sebebiyle, mevduat faizlerinin bankaların fiyatlamalarında önemli bir rolü bulunmaktadır. Bu kapsamda ARIM (Adaptive Rate of Interest Modeling), yatırılan paranın belirli bir vade içinde faiz getirisi sağladığı bir hesap çeşidi olan vadeli mevduat hesapları için yapılmış bir makine öğrenmesi destekli yazılım çözümüdür. Müşterilere yapılacak mevduat faizi tekliflerinin; makroekonomik faktörler (politika faizi, enflasyon oranı, ekonomik büyüme vs.) ve müşteri profiline bağlı olarak (mevduat bakiyesi, planlanan mevduat yatırım periyodu vs.) makine öğrenmesi yöntemleri ile müşteriye bankanın o anki stratejisine en uygun faiz oranı teklifi amaçlanmaktadır. 

Mevcut durumda bankada müşterilere yapılacak vadeli mevduat faizleri tekliflerinde önceden uzman bilgi ve tecrübesine dayalı kural bazlı belirlenmiş tabela faizleri ve müşteriyle yapılan görüşmeler sonucunda nihai teklifler iletilmektedir. İlgili iş birimi yani Hazine Yönetimi, gün başlangıcında vadesi biten ancak temdit edilebilecek vadeli mevduat kontratları için bir çalışma yapıp yeni oran teklifleri belirlemektedir. Benzer şekilde gün içerisinde şubelere gidip vadeli mevduat açtırmak isteyen müşteriler için de Hazine Yönetimi çalışma yapıp oran tekliflerini sunmaktadır. Bu faiz teklifleri belirlenirken bankanın o günkü mevduat toplama stratejisi (daha fazla mevduat toplama veya mevduatları daha düşük faiz oranlarıyla toplama gibi…) ile müşterilerin talepleri göz önünde bulundurulmaktadır.

ARIM ile faiz tekliflerinin fiyatlandırmasının mevcut duruma kıyasla hızlı, detaylı ve anlamlı bir şekilde yapılabilmesi sağlanmaktadır. Kural bazlı sistemlerden farklı olarak öğrenen bir sistem olarak tasarlanan ARIM, normal şartlar altında çok sayıda uzman çalışanın tam zamanlı uğraşı sonunda dahi elde etmesi zor bir analizi kısa sürede sağlayabilmektedir. Mevcut durumda Hazine Yönetimi ekipçe müşteri faiz fiyatlamaları için günlük 4-6 saat efor harcamaktadır. Bu yazılım çözümü ile otomatize edilen süreç, kullanan finansal kuruluş için, iş yükünde azalmayla kalifiye çalışanların  insan odağı gerektiren ve insanın katma değer yaratacağı işlere işlere kaydırılması sonucu verimliliği arttırmaktadır. Bu faiz teklifleri için farklı makine öğrenmesi modellerinin incelenmesi ve denenmesinin sonrasında en etkin ve verimli sonuçların alınabildiği LightGBM kullanılarak model eğitimi yapılmaktadır. Model eğitimi için makroekonomik faktörlerden (politika faizi, enflasyon oranı, ekonomik büyüme vs.) ve müşteri bazlı özniteliklerden (mevduat bakiyesi, planlanan mevduat yatırım periyodu, müşterinin sektör bilgisi, benzer müşterilere verilen faiz oranları vs.) yararlanılarak bir veri seti oluşturulmaktadır. Ayrıca makine öğrenmesinden gelen sonuçlar için müşteri bazlı verilen tekliflerin öne çıkan hangi öznitelik ya da öznitelikler sebebiyle model tarafından üretildiği SHAP explainable ai tool’ u ile açıklanabilmektedir. Yaptığımız piyasa araştırmasına göre, mevduat faizi teklifleri için şubelerden gelen müşteri taleplerine bankaların genel merkezlerindeki ilgili iş birimlerinden fiyatlamalar yapılmaktadır. Arka planda çalışıp hem öneri sunan hem de bu önerinin sebeplerini açıklayan bir makine öğrenmesi modellemesi ürünü bulunmamaktadır.

Literatüre baktığımızda, konuyla ilgili farklı çalışmalar mevcut ve bunları ana odak noktalarına göre şu şekilde sıralayabiliriz: faiz oranını belirleyen değişkenler, faiz oranı tahmini ve faiz oranı, banka kârı ve müşteri memnuniyeti arasında bağlantı kurma. Bu çalışmalarda müşteri düzeyinde veya müşteriye özel verilerin kullanımı çok sık olmamakla birlikte, bizim yazılım çözümümüz müşteriye özel az sayıdaki çalışmalardan biri olması nedeniyle diğer çalışmalardan ayrılmaktadır.

İncelediğimiz çalışmalarda genellikle yurtdışı çalışmalarında gelişmiş ülkelerde müşteri bazlı faiz çalışmaları yerine politika faizleri önümüzdeki süreçte nasıl olabileceği ve bunu etkileyen özniteliklerin neler olabileceği üzerine çalışmalara yoğunlaşmaktadır. Örneğin; incelediğimiz bir çalışmada ABD, Kanada ve İngiltere gibi gelişmiş ekonomilerinde küresel faktörlerin büyüme ve faiz değerleri üzerinde önemli bir rol oynadığını ve bu faktörlerin bu ülkeler üzerinde benzer etkilere sahip olduğunu belirtmişlerdir [1]. Hollanda bankacılık sektöründeki başka bir çalışmada makroekonomik, bankaya özgü ve hesaba özgü faktörler ve bunların banka ürünlerinin faiz oranı üzerindeki etkisi üzerinde çalışmalar yapılmıştır [2].

Bizim çalışmamıza yakın olarak Türkiye’ de 2018 yılında Türkiye’nin büyük bankalarından birinin müşteri düzeyinde verilerini içeren bir veri seti kullanılarak yapılan akademik literatürde başka bir çalışma.da yer almaktadır [3]. Farklı makine öğrenmesi modelleri kullanılarak müşterilere önerilen faiz oranı değerlerini tahmin etmek için bu çalışma yapılmıştır. Denenen modeller içerisinde en düşük hata oranını (mean absolute error için) 0.598 ile Random Forest kullanarak elde etmişlerdir. Başarım olarak kıyasladığımızda, bizim projemizde, ARIM, Türk lirası vadeli mevduatlarında 2022 yılı için mean absolute error değeri 0.21’ dir. Ayrıca bu çalışmada bir banka ile uzun süreli ilişkisi olan müşterilerin daha yüksek bir faiz oranı almaya eğilimli olduğunu ve bunun önemli bir rol oynadığını belirtmişlerdir. Biz de tüm bu çalışmalardaki bulguları kullanarak model eğitiminde kullanabileceğimiz ve yararlı olabilecek öznitelikleri oluşturduk.

Bunlara ek olarak ARIM kapsamında edindiğimiz tecrübeler başka projelerimizde bizlere avantajlar sağladı. Üye işyerleri için fiyatlama projemizde; üye işyeri bankaya kapama talebi yaptığında veya üye işyerinin kapama talebi yapma ihtimali saptandığında üye işyeri kazanımlarını desteklemek için özel fiyatlama modeli çalışmaları yapılmaktadır. Örnek vermek gerekirse; bankanın pos üye işyerlerinden, üye işyeri olmaktan çıkma talebi gelmeden önce fark edip komisyon bedeli daha az başka bir fiyat teklifi ile gitmek gibi müşteri kaybını en aza indirgeyecek bir sistem hedeflenmektedir. ARIM kapsamında tecrübe ettiğimiz bankanın o günkü stratejisine uygun (Daha fazla mevduat toplamaya odaklı mı? Yoksa mevduatları daha düşük faiz oranlarıyla toplamaya mı odaklı?) olarak teklif edilecek faiz oranının bu farklı stratejiye göre eğitilmiş modele göre verilmesi ve müşterilerin geçmişteki kontratları analiz edilerek rekabetçi olup olmadığının tespiti üye işyerleri fiyatlandırma projesine önemli tecrübe oldu. Burada kullanılan farklı fiyatlama stratejileri için farklı modellerin kullanılması ve müşteri kayıp olasılığı daha yüksek veya daha düşük müşteriye özel tekliflerin elde edilmesi konularında ARIM projesindeki tecrübemizin büyük katkısı bulunmaktadır.

Referanslar