Finansal Veri Bilimi: Mutabakatta Makine Öğrenmesi, Anomali Modelleri ve Pratik Use Case'ler

Mutabakat geleneksel olarak kural-tabanlı bir süreçti — "şu tutar şu tarihte şu banka ile eşleşmeli". Ama 2024-2026 arasında veri bilimi finans ekibinin masasına oturdu. Makine öğrenmesi (ML), açıklanabilir AI, anomali algoritmaları — eskiden sadece teknoloji şirketlerinde olan disiplin, şimdi muhasebede gündelik.

Bu yazı, finansal veri biliminin mutabakat sürecinde nasıl kullanıldığını, hangi ML modellerinin işe yaradığını ve TR finans ekipleri için pratik uygulamaları açıklıyor.

Finansal veri bilimi nedir?

Finansal veri bilimi, finansal verilerden istatistik, makine öğrenmesi ve AI yöntemleriyle anlam çıkarma disiplinidir. 3 ana dal:

1. Predictive analytics — gelecek tahmini (vade tahmini, fraud risk) 2. Anomaly detection — sıra dışı kalıp tespiti 3. Pattern recognition — tekrarlanan kalıp keşfi (müşteri davranışı, ödeme alışkanlığı)

Finansal veri bilimi, rakamlardan hikaye çıkarır. Bilanço bir hikaye anlatır; veri bilimi o hikayeyi okur.

BloombergGPT ve FinGPT gibi finans-özelleştirilmiş AI modelleri bu disiplini somutlaştırıyor.

Mutabakatta ML kullanımı: 5 use case

Use case 1: Fuzzy match eşleştirme

Problem: Banka ekstresinde "MR_307 EFT" yazıyor. Defterde "Müşteri #042 Mart 2026". Klasik kural eşleştirmesi başarısız.

ML çözümü: Embedding modeli + cosine similarity + bağlam analizi.

iFinances'in 6 katmanlı eşleştirme motoru bu yaklaşımı kullanır. Detaylı analiz: 3-kaynak çapraz mutabakat.

Use case 2: Anomali tespiti (Isolation Forest)

Problem: 850 e-fatura içinden hangi 5 tanesi anormal? Manuel tarama imkansız.

ML çözümü: Isolation Forest algoritması — her veri noktasını "ne kadar kolay izole edilebilir" diye değerlendirir. Anormal kayıtlar daha kolay izole edilir.

Detay: finansal anomali tespiti.

Use case 3: Vade tahmini (Time series)

Problem: Bu müşteri ne zaman ödeyecek?

ML çözümü: Prophet (Meta), ARIMA, veya derin öğrenme tabanlı LSTM modelleri.

Pratik: Müşterinin son 24 ay ödeme alışkanlığı → bu fatura için tahmini ödeme tarihi.

Use case 4: Müşteri segmentasyonu (Clustering)

Problem: Hangi müşterilerim sürekli geç ödüyor? Hangi grup zamanında?

ML çözümü: K-means clustering veya DBSCAN.

Pratik: Müşteri kategorileri (Iyi Ödeyici, Orta Vadeli, Riskli) otomatik oluştur. Tahsilat stratejisi farklılaştır.

Use case 5: Fraud detection

Problem: Bu işlem dolandırıcılık olabilir mi?

ML çözümü: Supervised learning (geçmiş fraud verileri) + anomaly detection (sıra dışı kalıp).

Klarna gibi şirketler bu yaklaşımı kullanıyor. Detay: Klarna AI deneyi.

Hangi ML modelleri finans için uygun?

| Model | Kullanım | Açıklanabilirlik | TR finansta uygunluk | |---|---|---|---| | Decision Tree | Anomali, kategorizasyon | Yüksek | Çok uygun | | Random Forest | Sınıflandırma, vade tahmini | Orta | Uygun | | Isolation Forest | Anomali tespit | Yüksek | Çok uygun | | K-means | Müşteri segmentasyon | Yüksek | Uygun | | LSTM | Time series tahmini | Düşük | Sınırlı (audit zor) | | Transformer | NLP, bağlam | Düşük | Sınırlı (açıklama zor) | | XGBoost | Genel ML | Orta | Çok uygun | | LLM (GPT, Claude) | Bağlam + açıklama | Orta-yüksek | Detay |

Açıklanabilirlik kritik: Finansta her karar bir sebebe dayanmalı. Detay: Açıklanabilir AI: kara kutu vs sebep zinciri.

Veri bilimi pipeline'ı

Tipik bir finansal veri bilimi projesinin akışı:

1. Veri toplama

• Banka API, GİB e-Belge, ERP, dış kaynaklar
• TR-özelinde: TCMB API kur verisi

2. Veri temizliği

• Eksik değerler
• Tutarsız formatlar (müşteri adı varyasyonları)
• Outliers (gerçek anomali mi, yanlış mı?)

3. Feature engineering

• Tarih → gün/ay/çeyrek
• Müşteri adı → embedding
• Tutar → log dönüşümü, normalizasyon

4. Model eğitimi

• Train/test split (80/20)
• Cross-validation
• Hyperparameter tuning

5. Açıklanabilirlik kontrolü

• SHAP values
• LIME
• Sebep zinciri yazımı

6. Production deploy

• A/B test
• Sürekli performans izleme
• Düzeltici güncellemeler

Veri bilimi için ekip yapısı

TR finans ekipleri için pratik öneri:

Küçük şirket (10-50 kişi):

• Mevcut finans ekibi + iFinances + dış AI danışmanlık (yarı zamanlı)

Orta ölçek (50-500 kişi):

• 1 finansal data analyst
• 1 ML mühendisi
• iFinances + özel ML model entegrasyonu

Büyük şirket (500+):

• Tam zamanlı data science ekibi
• BloombergGPT benzeri özel finans LLM
• İçsel platform geliştirme

Mali müşavir ofisleri için AI rehberi farklı yaklaşım sunar.

Veri bilimi maliyeti

| Yatırım | Yıllık maliyet | ROI | |---|---|---| | iFinances + native ML | 50.000-300.000 TL | 1 yıl içinde | | Custom ML (1 data scientist) | 600.000-1.500.000 TL | 18-24 ay | | Tam veri bilimi ekibi (3-5 kişi) | 3-8M TL | 24-36 ay |

İFinances ile out-of-the-box ML modelleri kullanılır — custom ekip kurmadan ROI alınır.

TÜBİTAK 1507 desteği

ML model geliştirmesi yapıyorsanız TÜBİTAK 1507 KOBİ Ar-Ge Programı ile %75'e kadar destek alabilirsiniz.

Etik ve mevzuat

Finansal AI kullanımı EU AI Act ve TR mevzuatına tabi:

• Açıklanabilirlik zorunlu
• Bias kontrolü
• Veri gizliliği (KVKK)
• Human-in-the-loop

İFinances'in açıklanabilir AI yaklaşımı bu çerçeveyle uyumlu. Mevcut OECD AI Principles için OECD AI Policy Observatory faydalı bir kaynak.

Sonuç

Finansal veri bilimi, mutabakatı sayı işleminden anlam çıkarmaya dönüştürüyor. Doğru modeller + açıklanabilirlik + audit izi ile finans ekibi yeni bir döneme giriyor.

iFinances modüllerini inceleyin, demo talep edin veya fiyatlandırma planlarına bakın.