Bir faktoring şirketinin kredi komitesi, müşteri başvurularını haftalar içinde sonuçlandırıyor; analistler dosyaları tek tek inceliyor, geçmiş ödeme verilerini tablolara işliyor ve deneyime dayalı bir karar veriyor. Süreç işliyor ama yavaş. Reddedilen başvuruların önemli bir bölümü gerçekte düşük riskli müşterilerden geliyor; onaylananların bir kısmı ise zamanla tahsilat sorununa dönüşüyor. Bu tablo, Türkiye’deki pek çok finans kuruluşunun ve büyük ölçekli KOBİ’nin tanıdık geldiği bir sorunu özetliyor: geleneksel skorkartların sınırlılığı.
Geleneksel kredi skorkartları, belirli değişkenlere sabit ağırlık atayan istatistiksel modellerdir. Ödeme geçmişi, borç/gelir oranı, teminat durumu gibi kriterler puanlanır ve toplam skor eşik değerle karşılaştırılır. Bu yaklaşım onlarca yıldır kullanılıyor ve temel düzeyde işe yarıyor. Ancak iki yapısal zayıflığı var: model bir kez kurulduktan sonra güncellenmez ve değişkenler arasındaki doğrusal olmayan ilişkileri göremez. Piyasa koşulları değiştikçe, sabit ağırlıklı model giderek körleşiyor.
Makine öğrenmesi tabanlı risk modelleri bu sorunu farklı bir çerçeveden ele alıyor. Burada model, geçmiş verilerden örüntüler öğreniyor; yeni gözlemler geldikçe tahmin gücünü güncelliyor. Lojistik regresyon, karar ağaçları ve topluluk yöntemleri gibi teknikler, binlerce değişkeni aynı anda işleyebiliyor ve aralarındaki etkileşimleri yakalıyor. Bir müşterinin sektörü, ödeme sıklığı, ortalama gecikme gün sayısı ve mevsimsel davranış örüntüsü; geleneksel skorkartın göremediği bir risk profilini birlikte tanımlıyor. Sonuç, daha yüksek tahmin doğruluğu ve daha az yanlış sınıflandırma.
Tahsilat tarafında kazanım daha da somutlaşıyor. Gecikmiş alacak portföyünü yönetmek zorunda olan bir finans yöneticisi için tüm borçlulara eşit kaynak ayırmak hem verimsiz hem maliyetli. Öğrenen modeller, portföyü risk segmentlerine ayırıyor: yüksek olasılıkla tahsil edilebilecek, müzakere gerektiren ve hukuki süreç kaçınılmaz olan gruplar ayrışıyor. Tahsilat ekipleri zamanını gerçekten kritik dosyalara yönlendirebiliyor. Operasyonel açıdan bu, aynı ekiple daha yüksek tahsilat oranı anlamına geliyor; yönetim muhasebesi açısından ise alacak karşılıklarının daha gerçekçi hesaplanması demek.
Türkiye’deki finans kuruluşları bu alanda henüz erken bir öğrenme sürecinde. Büyük bankalar istatistik departmanlarıyla bu modelleri kendi bünyelerinde geliştiriyor; faktoring ve leasing şirketleri ise dışarıdan yazılım çözümlerine yöneliyor. KOBİ’ler açısından asıl fırsat, bu modellerin çıktısını kendi tahsilat ve müşteri değerlendirme süreçlerine entegre etmek. Bir üretim şirketi, bayilerini veya perakende müşterilerini risk skoruna göre segmente edebilir; vade koşullarını ve teminat gereksinimlerini buna göre belirleyebilir. Bu, finans departmanının salt muhasebe kaydı tutan bir birim olmaktan çıkıp karar desteği üreten bir işleve kavuşması anlamına geliyor.
Bununla birlikte, bu modellerin kurumsal hayata taşınması ciddi hazırlık gerektiriyor. En büyük engel veri kalitesi. Model ne kadar sofistike olursa olsun, gürültülü ve eksik veriyle beslendiğinde çıktısı güvenilmez oluyor. Tarihsel ödeme kayıtları, müşteri segmenti bilgisi ve sektör verisi temiz ve tutarlı biçimde saklanmıyorsa, model kurma çalışması veri temizleme projesine dönüşüyor. İkinci engel yorumlanabilirlik. Karar ağaçları nispeten şeffaf olsa da bazı topluluk yöntemleri ‘kara kutu’ niteliği taşıyor; kredi komitesinin veya düzenleyici kurumun ‘bu müşteri neden reddedildi?’ sorusuna yanıt vermek güçleşiyor. Yöneticilerin model doğruluğu ile açıklanabilirlik arasındaki dengeyi bilinçli kurması gerekiyor.
Risk skorlama modellerine yatırım yapmayı değerlendiren bir finans yöneticisi için başlangıç noktası mevcut veri altyapısını dürüstçe sorgulamak olmalı. Geçmiş üç ila beş yıla ait müşteri bazlı ödeme verisi, gecikme kayıtları ve temerrüt bilgisi erişilebilir ve temiz mi? Bu sorunun yanıtı ‘evet’ ise, pilot kapsam belirlemek ve mevcut skorkart performansıyla karşılaştırmalı test yapmak mantıklı bir adım. Yanıt ‘henüz değil’ ise önce veri yönetim altyapısını kurmak gerekiyor; aksi hâlde model yatırımı erken oluyor. Doğru sırayla atılan adımlar, tahsilat verimliliğinde ve kredi karar kalitesinde ölçülebilir iyileşme sağlıyor.