Enflasyon %49,38: Bankalar İçin Yapay Zekâ Rehberi

TÜİK’in açıkladığı verilere göre Eylül ayında TÜFE aylık %2,97, yıllık %49,38 oldu. Bu sayıların “haber” değeri bir gün sürer. Ama bankacılık tarafında etkisi aylarca, hatta çeyrekler boyunca devam eder: kredi fiyatlaması değişir, gecikme olasılıkları kayar, mevduat rekabeti sertleşir, operasyonel maliyetler artar.

Benim gördüğüm en yaygın hata şu: Enflasyon yükseldiğinde birçok kurum sadece “faiz/limit ayarlayalım” refleksine sıkışıyor. Oysa asıl mesele, riskin şekil değiştirmesi. Dün güvenli görünen müşteri segmenti bugün kırılganlaşabiliyor; dün “normal” sayılan davranış örüntüleri bugün sahtecilik alarmı gibi görünebiliyor.

Bu yazıda, açıklanan %49,38 yıllık enflasyon verisini bankalar açısından “ne anlama geliyor?” sorusuna bağlayarak, yapay zekâ ile risk yönetimi ve kredi skorlama süreçlerinin nasıl güçlendirilebileceğini net bir çerçeveyle ele alacağım. Bu içerik, “Finans ve Bankacılıkta Yapay Zekâ Uygulamaları” serimizin ekonomik belirsizlik ayağı.

Enflasyon %49,38 olunca bankacılık riskleri nasıl değişir?

Kısa cevap: Enflasyon yükselince bankalar için risk yalnızca “daha pahalı fonlama” değildir; müşteri ödeme gücü, teminat değeri, dolandırıcılık desenleri ve model performansı aynı anda kayar.

Yıllık %49,38 gibi yüksek bir seviyede, hanehalkı ve KOBİ’lerin nakit akışı daha oynak hale gelir. Ücret artışları, fiyat artışlarını her zaman aynı hızda yakalayamaz; bu da bazı müşteri gruplarında gecikme olasılığını (PD) yükseltir. Diğer yandan, fiyatlar hızlı değiştiği için teminatların gerçek değeri ile sistemdeki değer arasında fark oluşabilir. Bankanın risk iştahı doğru kalibre edilmezse, ya gereksiz yere kredi muslukları kapanır ya da “yanlış müşteriye” yanlış fiyatla kredi açılır.

Bankaların en sık yaşadığı 4 kırılma

• Kredi skorlama sapması: Geçmiş veriye dayalı skorlar, yeni enflasyon rejiminde güncelliğini yitirir.
• Limit ve fiyatlama hataları: Aynı segment için tek fiyat/tek limit mantığı, volatil dönemde hızlı bozulur.
• Erken uyarı sinyallerinde gecikme: Klasik raporlar ay sonu/çeyrek sonu gelir; oysa risk haftalık değişebilir.
• Dolandırıcılıkta yeni desenler: Ekonomik stres, bazı suistimal türlerini artırır; saldırganlar yeni taktik dener.

Bu kırılmaların ortak noktası şu: Hepsi “veri + hız” meselesi. İşte burada yapay zekâ tabanlı risk yönetimi devreye giriyor.

Yapay zekâ, enflasyon döneminde risk yönetimine ne katar?

Kısa cevap: Yapay zekâ, enflasyon gibi belirsizliğin arttığı dönemlerde risk ekiplerinin ihtiyacı olan üç şeyi sağlar: daha sık güncellenen tahmin, daha ince segmentasyon, daha erken alarm.

Geleneksel yaklaşımda risk parametreleri daha seyrek güncellenir: aylık/çeyreklik kalibrasyon, geriye dönük performans, sınırlı senaryo seti. Yüksek enflasyon ortamında bu ritim yavaş kalır. Yapay zekâ (özellikle denetimli öğrenme + zaman serisi + anomali tespiti) ile bankalar:

1. Mikro-segmentasyon yapabilir: “KOBİ” tek sınıf değildir; tedarik zinciri, POS hareketi, e-fatura düzeni, stok döngüsü farklıdır.
2. Dinamik risk sinyalleri üretebilir: Haftalık hatta günlük verilerle gecikme olasılığı güncellenebilir.
3. Erken uyarı sistemi kurabilir: Ödemede gecikme başlamadan önce, davranış sinyalleri bozulmayı gösterir.

“Enflasyon yükseldiğinde risk artmaz; riskin haritası değişir. Yapay zekâ bu haritayı daha sık günceller.”

Hangi veriler daha kritik hale gelir?

Enflasyon döneminde bankaların model girdilerinde ağırlığı artan veri türleri şunlardır:

• Gelir ve harcama akışı: Maaş giriş düzeni, kart harcama kırılımı, fatura/abonelik trendleri
• İşletme hareketleri: POS ciro trendi, e-ticaret iade oranları, e-fatura sıklığı, stok/tedarik ödeme düzeni
• Davranışsal sinyaller: İnternet/mobil bankacılık işlem örüntüsü, limit kullanımında ani sıçrama, nakit çekim oranı
• Makro değişkenler (özellikle zamanlama): Enflasyon, kur, sektör bazlı fiyat baskıları, gıda/enerji kalemlerindeki şoklar

Buradaki kritik nokta “daha çok veri” değil, doğru veriyi doğru frekansta kullanmak.

Enflasyon artarken kredi skorlama nasıl güncellenmeli?

Kısa cevap: Kredi skorlama modelleri, yüksek enflasyonda konsept kayması (concept drift) yaşar; bu yüzden bankaların hem modelini hem de karar stratejisini “dinamik” hale getirmesi gerekir.

Bir skor modelinin eğitildiği dönemle, karar verilen dönem arasındaki ekonomi çok farklıysa model hatası büyür. Örneğin 12-24 ay önce “istikrarlı” görünen bir gelir-harcama dengesi, bugün aynı seviyede risk ifade etmeyebilir. Bu yüzden iki katmanlı yaklaşım daha sağlıklıdır:

1) Model katmanı: Drift izleme + yeniden kalibrasyon

• Drift izleme: Girdi dağılımları (ör. kart harcama/gelir oranı) ve çıktı performansı (AUC/KS, delinquency lift) haftalık izlenir.
• Champion–challenger: Mevcut model “champion”, yeni aday modeller “challenger” olarak gerçek trafikte kontrollü test edilir.
• Sık kalibrasyon: Skorun olasılığa dönüşümü (PD kalibrasyonu) daha sık güncellenir.

2) Karar katmanı: Politikaların segment bazlı esnemesi

Tek bir “kabul/red” eşiği yerine, enflasyon döneminde daha gerçekçi olan şudur:

• Fiyatlama + limit birlikte optimize edilir: Riskli segmentte limit düşer ama tamamen kapatılmayabilir.
• Vade stratejisi devreye girer: Aynı kredi, kısa vadede daha yönetilebilir olabilir.
• Teminat/garanti kurgusu güçlenir: Teminat değerlemesi daha güncel veriyle beslenir.

Bu yaklaşım, hem büyümeyi tamamen boğmadan hem de portföy kalitesini koruyarak ilerleme sağlar.

Bankalar için 5 pratik yapay zekâ uygulaması (hemen başlanabilir)

Kısa cevap: Yüksek enflasyon ortamında en hızlı geri dönüş veren AI işleri; erken uyarı, dinamik limit/fiyatlama, tahsilat önceliklendirme, dolandırıcılık anomali tespiti ve stres testi otomasyonudur.

1) Erken Uyarı Sistemi (EWS) ile gecikme gelmeden müdahale

Amaç: 30+ gün gecikme oluşmadan önce risk sinyali yakalamak.

• Gelir girişinde düzensizlik
• Minimum ödeme davranışına geçiş
• Limit kullanım oranında hızlı artış
• Nakit çekim ağırlığının artması

EWS çıktısı, ilişki yöneticisine veya dijital kanallara “doğru zamanda doğru teklif” olarak dönebilir: yapılandırma, vade ayarı, otomatik ödeme önerisi.

2) Dinamik limit ve fiyatlama

Enflasyon yükselince müşterinin limiti “nominal” olarak aynı kalsa bile gerçek satın alma gücü düşer. Banka için risk ise tam tersine artabilir.

Yapay zekâ ile:

• Limit artışlarını otomatik değil risk/gelir akışı ile bağlamak
• Fiyatlamayı müşteri bazında risk + maliyet + rekabet dengesiyle güncellemek

Bu, kârlılığı korurken batık oranını kontrol altında tutar.

3) Tahsilatta “kimden, ne zaman, hangi kanalla?” optimizasyonu

Tahsilat ekipleri enflasyon döneminde daha fazla dosyayla uğraşır. Yapay zekâ burada çok somut iş görür:

• İyileşme olasılığı yüksek müşteriyi erken yakalamak
• Arama/SMS/e-posta sıralamasını optimize etmek
• Müşteriyi gereksiz sıkıştırmadan tahsilat başarısını artırmak

4) Dolandırıcılıkta anomali tespiti

Ekonomik stresin arttığı dönemlerde dolandırıcılık türleri de biçim değiştirir. Kural tabanlı sistemler yeni desenlere geç yakalanır.

Anomali tespiti modelleri:

• İşlem alışkanlığı dışı davranışları
• Yeni cihaz/konum örüntülerini
• “Normal görünümlü ama anormal” para transferlerini

daha erken işaretleyebilir.

5) Stres testi ve senaryo üretiminde otomasyon

Yıllık enflasyon %49,38 iken risk komitelerinin en çok ihtiyaç duyduğu şey: “Şu olursa ne olur?” sorusuna hızlı cevap.

AI destekli senaryo motorları:

• Sektör bazlı şoklar (ör. gıda, enerji, inşaat)
• Kur ve enflasyonun farklı patikaları
• Gelir erozyonu ve temerrüt geçişleri

için portföy etkisini daha hızlı simüle eder.

Sık sorulan 6 soru: Enflasyon, AI ve bankacılık

Enflasyon artınca kredi musluklarını kısmak şart mı?

Hayır. Şart olan, segment bazlı risk iştahını güncellemek. Yapay zekâ, “tamamen kapatmak” yerine “doğru müşteriye doğru koşul” yaklaşımını mümkün kılar.

Model güncelleme sıklığı ne olmalı?

Yüksek volatilitede performans izleme haftalık olmalı; kalibrasyon ise performans bozulmasına göre daha sık tetiklenmeli. Sabit takvim yerine tetikleyici metrik yaklaşımı daha iyi çalışır.

Regülasyon ve açıklanabilirlik (XAI) ne olacak?

Kredi kararında açıklanabilirlik zorunlu bir ihtiyaç. Bu yüzden birçok banka; açıklanabilir modelleri (ör. GBM + SHAP benzeri açıklamalar) ya da hibrit yaklaşımları tercih ediyor.

Yapay zekâ sadece büyük bankaların işi mi?

Değil. Başlangıç için en iyi alanlar: EWS, tahsilat skoru, dolandırıcılık anomali tespiti. Veri olgunluğu orta seviyede olsa bile değer üretir.

Veri kalitesi düşükse ne yapılır?

“Model yapmadan önce veri ambarını mükemmelleştirelim” yaklaşımı aylar kaybettirir. Doğru yol: dar kapsamlı pilot + veri iyileştirme döngüsü.

En hızlı ölçülen başarı metriği hangisi?

Risk tarafında genelde:

• 30+ gün gecikmeye düşen müşteri oranında azalma
• Tahsilat geri kazanım oranında artış
• Yanlış pozitif fraud alarmında düşüş
• Risk ayarlı gelir (RAROC) iyileşmesi

Son söz: %49,38 enflasyon “model problemi” değil, yönetim problemidir

Eylül verisi net: yıllık TÜFE %49,38, aylık %2,97. Bu seviyeler, bankalarda kredi skorlama ve risk yönetimi süreçlerinin “rutin” kalamayacağını söylüyor. Risk ekipleri daha sık ölçmek, daha hızlı karar almak ve politikaları daha esnek yönetmek zorunda.

Benim tavrım açık: Enflasyon döneminde yapay zekâ projelerini “vitrin” işi olarak ele alan kurumlar zaman kaybeder. Doğru kurulan bir erken uyarı sistemi ya da dinamik fiyatlama motoru, hem portföy kalitesini hem müşteri deneyimini aynı anda iyileştirir.

Serimizin bir sonraki adımında şu soruya daha teknik cevap vereceğiz: Bankalar, makro veriyi (enflasyon gibi) müşteri bazlı skorlara nasıl güvenli ve açıklanabilir şekilde bağlar?