Veri madenciliği teknikleri ile mobil telekom sektöründe müşterilerin kredi skorlamasına ilişkin istatistiksel bir analiz

ÖZETRisk yönetimi; riski öngörerek zarar oluşmadan gerekli aksiyonların alındığı sürekli güncellenen bir süreçtir. Bu süreci oluşturabilmek ve yönetebilmek için, geleceği öngörme becerilerine ve araçlarına sahip prediktif bir kurum olmak gerektir. Rekabetin artması ile bir yandan yeni abone almanın zorlaşması, ekonomik çalkantıların meydana gelmesi ile de artan şüpheli alacak tutarı arasındaki optimum dengenin yakalanması günümüzde mobil operatörlerin yönetmeleri gereken kredi risk sorunlarının en önemlilerinden bir tanesidir.Veri Madenciliği altyapısı üzerinde kurulan Davranışsal Kredi Skorlama sistemi ile şüpheli alacaklara neden olacak abonelerin önceden tahmin edilerek zamanında müdahale ile zararın minimize edilmesi amaçlanmaktadır. Geçmişte oluşan şüpheli alacakların yapısı, veri madenciliği uygulamaları kullanılarak analiz edilip modellenmiştir. Özellikle ödeme performansını yansıtan değişkenlerin yoğun olduğu veri setinde farklı Veri Madenciliği algoritmaları denenmiştir. Lojistik Regresyon, Karar Ağaçları ve Yapay Sinir Ağ modelleri söz konusu veri setine uygulanmıştır. Birbirlerine yakın ve tutarlı sonuçlar vermesine rağmen Lojistik Regresyon modeli bu yöntemler içerisinde en başarılısı olmuştur. Anahtar kelimeler: Davranışsal Kredi Skorlama, Veri Madenciliği, Lojistik Regresyon, Yapay Sinir Ağları, Karar AğaçlarıSUMMARYRisk management is continuously updated process in which required actions are taken before existence of loss by using predictive analytics. Creating and managing this process is necessarily required to be a predictive enterprise that has prediction ability and tools. As a result of aggressive competition, acquiring new subscribers is getting more difficult and as a result of economical fluctuation and ambiguity bad debt amount is increasing in these days. Carrying out balance between these two issues is one of the most important credit risk problems in mobile telecom operators. It is aimed to minimize bad debt loss by predicting risky subscribers formerly by using behavioral credit scoring based on data mining methods and infrastructure. Structure of formerly occurred bad debtors were analyzed and modeled by using data mining techniques. Various data mining algorithms applied on the data set in which there are particular variables that reflects payment performance. Logistic regression, decision tree and neural network were applied to data set. Although they generated consistent and correspondent results, logistic regression was found as the most successful method that performed well on the data set. Key words: Behavioral Credit Scoring, Data Mining, Logistic Regression, Neural Networks, Decision Tree