Bir banka kredi müdürü düşünün: karşısında düzenli geliri olan, faturalarını aksatmadan ödeyen, ancak hiç kredi kullanmamış bir müşteri var. Geleneksel skorlama modeli bu kişiyi neredeyse görünmez kılıyor; kredi geçmişi yoksa skor da yok, skor yoksa kredi de yok. Bu kısır döngü, Türkiye’de milyonlarca bankacılık müşterisinin finansal sisteme tam anlamıyla dahil olamamasının temel nedenlerinden biri. Makine öğrenimi tabanlı skorlama modelleri tam da bu noktada farklı bir çerçeve öneriyor.
Makine öğrenimi, büyük miktarda veriden istatistiksel örüntüler çıkaran ve bu örüntüleri yeni gözlemler için tahmin üretmekte kullanan bir analitik yaklaşımdır. Kredi skorlamasında bu yaklaşım, yalnızca geçmiş kredi davranışına değil; ödeme alışkanlıkları, hesap hareketleri, fatura düzenliliği ve benzeri davranışsal sinyallere de dayanır. Lojistik regresyon veya karar ağacı gibi klasik istatistiksel yöntemler on yıllardır kullanılıyor; makine öğrenimi bu yöntemlerin daha karmaşık veri setleriyle çalışabilen, öğrenen ve kendini güncelleyen versiyonları olarak düşünülebilir. Kavram finans dünyasında yeni değil, ancak Türkiye’de uygulamaya geçiş 2013-2014 döneminde hız kazanmaya başlıyor.
Alternatif veri kullanımının mantığı şu: bir kişinin kredi geri ödeme davranışı, yalnızca geçmiş kredi siciliyle değil; düzenli birikim alışkanlığı, fatura ödeme zamanlaması, maaş hesabı hareketlerinin istikrarı gibi göstergelerle de ilişkilidir. Model, bu değişkenleri binlerce gözlem üzerinde eğitildiğinde, geleneksel skoru olmayan bir müşterinin risk profilini tahmin etmek için kullanılabilir hale gelir. Bu yaklaşım, özellikle genç çalışanlar, serbest meslek sahipleri ve düzenli maaş alan ancak kredi deneyimi bulunmayan bireyler için anlamlı bir fırsat penceresi açıyor.
Operasyonel açıdan bakıldığında, bu modellerin bankaya sağladığı en somut kazanım süreç verimliliğidir. Geleneksel kredi değerlendirme sürecinde analist saatleri gerektiren manuel inceleme, model tabanlı bir ön eleme aşamasıyla kısaltılabilir. Hangi başvuruların otomatik onay, hangilerin manuel inceleme, hangilerin doğrudan ret kategorisine düştüğü daha hızlı belirlenir. Bu, kredi operasyonlarının toplam maliyetini düşürür; ROI hesaplaması yapan bir yönetici için bu kısalma, özellikle yüksek hacimli bireysel kredi portföylerinde ciddi bir etki yaratır.
Ancak bu modellerin adalet boyutu, teknik verimlilikten bağımsız değerlendirilemez. Eğitim verisi belirli demografik grupları dışarıda bırakıyorsa ya da tarihsel önyargıları yansıtıyorsa, model bu önyargıları otomatik olarak pekiştirir. Örneğin, belirli bir coğrafi bölgedeki müşterilerin geçmişte daha yüksek temerrüt oranı göstermiş olması, o bölgedeki tüm yeni başvuru sahiplerinin sistematik biçimde dezavantajlı konuma düşürülmesine yol açabilir. Bu mesele, modelin teknik başarısından bağımsız bir yönetim sorunudur ve kredi kararlarından sorumlu yöneticilerin model çıktılarını kör bir güvenle kabul etmemesi gerekir. Modelin hangi değişkenlere ne ağırlık verdiğini anlayabilen, sonuçları denetleyebilen bir yapı kurmak, hem düzenleyici uyum hem de itibar yönetimi açısından zorunludur.
Türkiye’deki mevcut düzenleyici çerçeve, bu modellerin uygulanmasında önemli bir sınır çiziyor. BDDK’nın kredi değerlendirme süreçlerine ilişkin beklentileri, modelin açıklanabilir olmasını ve kararların gerektiğinde müşteriye izah edilebilmesini gerektiriyor. Bir müşteri kredi başvurusunun neden reddedildiğini sorduğunda, model öyle karar verdi yanıtı ne yasal ne de etik açıdan yeterli. Bu durum, karmaşık model mimarileri yerine yorumlanabilirliği yüksek yaklaşımları ön plana çıkarıyor; en azından mevcut aşamada.
Makine öğrenimi tabanlı kredi skorlamasını değerlendiren bir yönetici için asıl karar kriteri şu olmalı: model, mevcut sürecin göremediği gerçek kredi değerliliğini mi ortaya çıkarıyor, yoksa yalnızca mevcut portföydeki örüntüleri mi yeniden üretiyor? Birincisi, hem portföy büyümesi hem de finansal kapsayıcılık açısından değer yaratır. İkincisi, sadece operasyonel bir verimlilik aracıdır. Her iki senaryo da faydalı olabilir; ancak beklentilerin baştan net tanımlanmamış olması, bu tür projelerde en sık karşılaşılan başarısızlık nedenlerinden biridir. Veri altyapısı, model geliştirme kapasitesi ve düzenleyici uyum hazırlığı bir arada yoksa, yalnızca teknik merakla başlatılan bir skorlama projesi hem kaynakları tüketir hem de beklenen sonucu vermez.