Machine Learning ile Tahsilat Riski Tahmini: KOBİ’lerde Nakit Döngüsünü Akıllı Yönetmek

Orta ölçekli bir imalat firmasının finans müdürünü düşünün: elinde yüzlerce aktif müşteri hesabı var, vadesi geçmiş alacakların toplamı her ay biraz daha büyüyor ve tahsilat ekibi hangi müşteriye önce odaklanacağını sezgiyle belirlemeye çalışıyor. Kimi zaman deneyimli bir muhasebeci doğru müşteriyi seçiyor; kimi zaman ise gecikme takip edilemeden 90 güne dayanıyor. Bu belirsizlik, nakit döngüsünü doğrudan etkiliyor ve işletme sermayesi yönetimini zorlaştırıyor. Makine öğrenimi tabanlı tahsilat riski tahmini tam da bu noktada devreye giriyor: geçmiş ödeme davranışından sistematik sinyaller çıkarıp her müşteri için güncel bir risk skoru üretiyor.

Makine öğrenimi, bu bağlamda bir büyü değil; tarihsel veriden istatistiksel örüntü çıkaran bir analitik araçtır. Bir müşterinin son on iki aydaki ortalama ödeme gecikmesi, vade aşım sıklığı, sipariş büyüklüğüyle ödeme tutarlılığı arasındaki ilişki, sezonluk davranış sapmaları — bunların tamamı model için girdi sinyali oluşturur. Lojistik regresyon veya karar ağacı gibi görece basit algoritmalar bile yeterli geçmiş veriyle eğitildiğinde, bir analistin sezgisel değerlendirmesinden daha tutarlı sonuçlar üretebilir. Çıktı, her müşteri için 0 ile 100 arasında ölçeklenen bir risk skoru olur: düşük skor güvenli ödeyiciyi, yüksek skor gecikme riskini işaret eder.

Bu skorun asıl değeri, tek başına bir tahmin rakamı olmasında değil; operasyonel kararlarla entegre edilmesinde yatıyor. Kredi limiti yönetimi bunun en somut örneği: riski yüksek müşterilere otomatik olarak daha kısa vade veya daha düşük limit tanımlanması, tahsilat ekibinin müdahalesini gerektirmeden gerçekleşebilir. ERP sistemlerinin alacak yönetimi modülleri bu tür kural tabanlı otomasyona zaten altyapı sunuyor; makine öğrenimi skoru bu altyapıya dinamik bir karar değişkeni olarak ekleniyor. Takip aksiyonları da skorla önceliklendirilebilir: yüksek riskli ve yüksek bakiyeli hesaplar otomatik olarak erken uyarı listesine düşerken, düşük riskli küçük bakiyeler standart hatırlatma döngüsünde kalır.

Nakit döngüsü üzerindeki etkiyi somutlaştırmak gerekirse, tahsilat sürecinin ortalama gün sayısını — yani DSO’yu (Days Sales Outstanding) — düşürmek işletme sermayesi verimliliğinin temel göstergesidir. Skor tabanlı önceliklendirme, tahsilat ekibinin zamanını en yüksek geri dönüş sağlayacak hesaplara yönlendirmesini mümkün kılar. Aynı zamanda erken müdahale penceresi genişler: bir müşterinin riski henüz vade dolmadan yükseliyorsa, proaktif iletişim başlatmak mümkün olur. Bu yaklaşım, reaktif tahsilattan proaktif risk yönetimine geçişi temsil ediyor; farkı ise yalnızca süreç tasarımında değil, doğrudan nakit pozisyonunda hissediliyor.

Modelin güvenilirliği büyük ölçüde veri kalitesine bağlıdır. Türkiye’deki KOBİ’lerin önemli bir kısmında alacak kayıtları ERP’ye düzenli işlenmekle birlikte, müşteri bazlı segmentasyon ve geçmiş ödeme davranışı verisinin temiz tutulması hâlâ bir operasyonel disiplin meselesi. e-Fatura ve e-Defter zorunluluğunun getirdiği veri standardizasyonu bu açıdan bir avantaj sağlıyor: fatura tarihi, ödeme tarihi ve tutar bilgisi artık yapılandırılmış dijital kayıtlarda mevcut. Model bu veriyi beslenebilir hale getirmek için ek bir veri mühendisliği katmanı gerektirse de başlangıç noktası artık daha sağlam.

Uygulamada karşılaşılan en yaygın zorluk, modelin çıktısına kurumsal güven inşa etmektir. Finans ekipleri, bir algoritmanın ürettiği skoru başlangıçta sezgisel değerlendirmelerinin önüne koymakta isteksiz davranabiliyor. Bu direnci aşmanın yolu, modeli karar otomasyonundan önce karar destek aracı olarak konumlandırmak: analistin kendi değerlendirmesini skorla karşılaştırmasına, zamanla modelin isabetini gözlemlemesine olanak tanımak. Bunun yanı sıra model periyodik olarak yeniden eğitilmelidir; müşteri portföyü değiştikçe veya ekonomik koşullar döndükçe eski veriyle eğitilmiş bir model sapma gösterir. Bu bakım maliyeti, ROI hesabına dahil edilmesi gereken gerçek bir kalemdir.

Tahsilat riski tahminine yatırım yapmayı değerlendiren KOBİ yöneticileri için temel karar kriteri şu soruya dayanıyor: mevcut alacak portföyünüzde gecikme örüntüsü tahmin edilebilir mi, yoksa tamamen rastlantısal mı? Eğer belirli müşteri segmentlerinde, sezonlarda veya sipariş büyüklüklerinde tekrarlayan gecikme davranışı gözlemleniyorsa, makine öğrenimi bu örüntüyü modelleyebilir ve sistematik bir avantaja dönüştürebilir. Başlangıç için mevcut ERP verisini temizlemek, müşteri bazlı ödeme geçmişini en az iki yıl geriye dönük derlemek ve bir pilot segment üzerinde modeli test etmek yeterli. Ölçek büyüdükçe ve veri zenginleştikçe modelin isabeti de artar; bu nedenle erken başlamak, geç başlamaktan her zaman daha değerlidir.


kalite bağlantılı üretim yalnızca verimlilik gündemiyle ele alınırsa eksik kalır. Müşteri deneyimi, çalışan davranışı, finansal etki ve operasyonel dayanıklılık birlikte değerlendirilmelidir. Çünkü kurumsal teknoloji, tek bir departmanın değil, işletmenin tamamının çalışma biçimini değiştirir.


Gökhan Mercanoğlu
MRP, Üretim ve Tedarik Zinciri