İç Kredi Risk Modeli Nasıl Tanımlanır? Veri Bilimciler İçin Kritik Adımlar

Bir bankanın kredi verme kararları, sadece kredi notu veya gelir belgesiyle değil, arka planda çalışan karmaşık matematiksel modellerle şekillenir. Bu modeller, finansal istikrarın temelini oluşturur. Ancak çoğu zaman, veri bilimciler ve analistler, modelin neyi kapsadığını, neyi dışladığını ve nedenini tam olarak anlayamaz. Sonuç? Yanlış tahminler, regülatör cezaları ve hatta sistemik krizler.

Neden Kapsam Tanımı Kritik?

Kredi risk modelinin kapsamı, modelin neyi ölçtüğünü ve neyi ölçmediğini belirler. Örneğin, bir banka yalnızca konut kredilerini değerlendiren bir model geliştirdiğinde, işletmeler için verilen kredilerin riskini tamamen göz ardı edebilir. Bu durum, modelin ‘doğru’ olmasına rağmen, ‘tam’ olmaması anlamına gelir. Kapsam tanımlamak, sadece veri toplamak değil; hangi verinin, hangi bağlamda, hangi amaçla kullanıldığını felsefi ve matematiksel olarak tanımlamaktır.

Matematiksel Temel: Olasılık, Risk ve Karar

Matematiksel olarak, kredi riski temelde bir olasılık sorunudur. Math is Fun gibi kaynaklar, olasılığın temel tanımını şu şekilde verir: ‘Bir olayın meydana gelme şansı, tüm olası sonuçlar arasında o olayın yerini almasıdır.’ Bu basit tanım, bankaların kredi verme kararlarında kullandığı temel denklemi oluşturur: P(İhracat = Başarısız) = ?

Bu olasılık, yalnızca geçmiş verilerle değil, ekonomik döngüler, sektöral trendler ve hatta sosyal faktörlerle de güncellenir. Bir müşteri 5 yıl önce kredi ödemesini zamanında yapmışsa, bu geçmiş davranış onun gelecekteki davranışını garanti etmez. Modelin kapsamı, bu dinamikleri kapsayacak şekilde tasarlanmalıdır. Aksi halde, model ‘geçmişe odaklı’ bir hata yapar — yani ‘tarihsel veri tuzağı’na düşer.

Model Kapsamını Belirleyen 5 Temel Unsurlar

1. İşlemsel Hedef: Model, kredi onayı mı, tahsilat tahmini mi, sermaye gereksinimi mi için kullanılıyor? Her amaç, farklı değişkenler gerektirir.
2. Veri Kapsamı: Sadece müşteri verileri mi? Yoksa ekonomik göstergeler (enflasyon, faiz oranları), coğrafi bölgeler veya sektör verileri de mi dahil ediliyor?
3. Zaman Aralığı: Geçmiş 12 ay mı? 60 ay mı? Kriz dönemleri mi yoksa istikrarlı dönemler mi dikkate alınmalı?
4. Çıktı Türü: Kredi riski bir olasılık (0-1) olarak mı, yoksa kredi kaybı miktarı (LGD) ve vade (EAD) ile birlikte mi hesaplanıyor?
5. Regülatör Zorunlulukları: Basel III, IFRS 9 gibi düzenlemeler, modelin kapsamını yasal olarak sınırlar. Bu sınırlar, veri bilimcilerin teknik kararlarını doğrudan etkiler.

Gerçek Dünya Örneği: Türkiye’deki Bir Bankanın Hatası

2023 yılında Türkiye’deki bir büyük banka, küçük ve orta ölçekli işletmeler (KOBİ) için kredi risk modeli geliştirdi. Ancak modelin kapsamı, yalnızca 3 yıl önce kurulan firmaları içeriyordu. Bu, daha eski ve daha istikrarlı KOBİ’leri dışladı. Sonuç? Banka, ‘riskli’ olarak etiketlenen ama aslında sağlam olan firmaları reddetti. Aynı dönemde, ‘düşük riskli’ olarak sınıflandırılan yeni kurulan firmaların %40’ı 12 ay içinde iflas etti. Model, veriye göre ‘doğru’ydu ama kapsam tanımı nedeniyle finansal olarak yanlışydı.

Veri Bilimciler İçin Öneriler

• ‘Neden?’ sorusunu her veri noktası için sorun. Neden bu değişkeni seçtiniz? Neden bu aralığı kullandınız?
• Kapsamı bir belge haline getirin. Modelin kapsamını, sadece teknik ekibin değil, regülatörlerin, yönetim kurulunun ve hatta dış denetçilerin anlayabileceği bir döküman haline getirin.
• Senaryo testleri yapın. Modelin sınırlarını zorlayan senaryolar (örneğin, döviz kuru %50 artış) ile test edin. Bu, kapsamın yetersiz kaldığı noktaları ortaya çıkarır.
• İnsani faktörleri unutmayın. Kredi riski yalnızca rakamlarla değil, davranışlarla da ilgilidir. İnsanların ekonomik krizdeki tepkileri, matematiksel modellerin öngöremediği bir alan olabilir.

Sonuç: Model, Sadece Veri Değil, Anlayıştır

İç kredi risk modeli, veri bilimcilerin ‘kod yazdığı’ bir araç değil, finansal sistemin ‘zihni’dir. Kapsam tanımı, bu zihnin neyi görebildiğini, neyi görmediğini ve nedenini belirler. Bir model, ne kadar karmaşık olursa olsun, kapsamı yanlış tanımlanırsa, sadece bir ‘güvenilir görünümlü’ hata üretir. Veri bilimciler, sadece ‘nasıl’ hesapladıklarını değil, ‘neden’ hesapladıklarını da açıklayabilmelidir. Çünkü kredi sisteminde, en tehlikeli hata, doğru bir sayıya yanlış bir anlam vermek değildir — yanlış bir sayıya doğru bir anlam vermekdir.