Finansal kapsayıcılık genel olarak toplumun tüm kesimlerinin, özellikle düşük gelir grubundaki dezavantajlı bireylerin ihtiyaç duyduğu finansal ürün ve hizmetlere adil, şeffaf, hızlı ve uygun bir maliyetle erişim sağlama süreci olarak tanımlanabilir. 

Finansal kapsayıcılığı yüksek toplumlarda bireyler, tasarruf yapmanın yanısıra başta kredi ürünleri olmak üzere finansal enstrümanlara daha fazla erişim imkânına sahip olurlar. Bu durum, gelir dağılımı eşitsizliğinin yarattığı olumsuzlukların önüne geçilmesi konusunda da sosyal adalet mekanizmalarının işletilmesine katkıda bulunur.

Bununla birlikte ekonomilerde finansal kapsayıcılığın her zaman mükemmel bir şekilde sağlandığını söyleyemeyiz.  Ekonomik aktörlerin, bilhassa finans kesiminin bireylerin ekonomik gücü veya potansiyeline yönelik kısıtlı bilgiye sahip olması durumunda finansmana erişim sağlayan kural setleri çoğu zaman kapsayıcılık açısından yetersiz sonuçlar üretebilmektedir. Finansal bilgilerin oluşması için finansal kuruluşların ürün ve hizmetlerine erişim bir önkoşul olarak öne çıkarken, krediye erişimin ilk başta mümkün olmadığı durumlarda geri ödeme kabiliyetinin ölçülebilmesi için yeterli veri oluşamaması nedeniyle adeta bir yumurta-tavuk paradoksu yaşanması kaçınılmaz hale gelmektedir. 

Finansal kapsayıcılığın sağlanamaması ya da düşük olması esasen finansal okuryazarlığın azlığı, bilgi eksikliği ve finansal kuruluşlara olan güven eksikliği sebepleriyle de ortaya çıkabilmektedir. Finansal piyasaları etkin bir şekilde izlenen ve sıkı düzenlemelere tabi tutulan ülkemizde, güven eksikliğinin etkin bir faktör olarak geçerliliği düşük durumdadır. Bilgi eksikliği ile ilgili faktörler ise geçerliliğini korumaktadır.

Yapay Zeka, genel olarak insan beyninin yapısını makinelere uyarlayarak, insan zekasını taklit eden bilgisayarlar veya makinelerdir diyebiliriz. Yapay zekanın bir alt dalı olan makine öğrenmesi ise, algoritmalar kullanılarak belli bir içgörüyü mevcut verilerden (yaşanılmış olaylardan) öğrendikten sonra, bu içgörüyü kullanarak geleceğe yönelik tahmini çıkarımlar yapılmasıdır.

Makine öğrenmesinin doğadaki farklı problemleri çözmek için kullanılabilecek farklı türleri vardır: Gözetimli (Supervised)öğrenme, Gözetimsiz (Unsupervised) öğrenme, Yarı Denetimli (Semi-supervised) öğrenme, Takviyeli (ReinforcementLearning) öğrenme.

Finansal hizmetlere erişimde, hizmet ve finansman sağlayıcı kuruluşlar, yapay zeka algoritmalarını da kullanarak, müşteri riskinin ölçümlenmesi için çeşitli skorlama sistemlerinden yararlanırlar. 

Skorlar Ne İşe Yarar? Skorlar, bireyin sahip olduğu pek çok özelliği çok boyutlu olarak değerlendirip, karar verici için tek boyutlu bir metrik haline dönüştürürler. Bireye ve yaşadığı çevreye ilişkin olarak ne kadar çok veriye sahip olunursa, bu skorlama sistemlerinin isabetli sonuç üretme kabiliyeti artar. 

Bireyler hakkında elde edilebilecek veriler, dijitalleşmenin ve modernleşmenin getirdiği hızlı hizmet alma kültürü ve yasal düzenlemeler nedeniyle sınırlı kalmaktadır. İlk defa finansal piyasalarla tanışacak olan bireyler için, finansal kuruluşlarca edinilebilecek bilgi düzeyi daha da sınırlı kalmaktadır. Bu durum, finansal kuruluşlarca bireyin finansmanı konusunda daha tedbirli politikalar izlenmesine, bunun da ötesinde, bireyin finansal enstrümanlara erişiminde kısıtlayıcı rol oynayabilmektedir. Her ne kadar yapay zeka kısıtlı veriden de daha isabetli çıkarımlar yapabiliyor olsa da, yapay zekanın temel besini de veri olduğundan, alternatif  skorlama yaklaşımlarının irdelenmesine ihtiyaç bulunmaktadır. Yapay zeka marifetiyle yapılabilecek alternatif skorlama yöntemleri, ürettikleri içgörü itibariyle daha önce mümkün olmayan kararların alınmasına, dolayısıyla finansal kapsayıcılığın genişlemesini sağlayabilir. Bu skorların üretilmesini destekleyecek aşağıdaki yeni nesil veri kaynakları bu problemin çözümünde önemli rol oynayabilir. 

Temel Hizmetlerdeki Ayak İzleri:

Bireylerin kurumlar ile olan ilişkileri, ödeme alışkanlıkları, davranış kalıplarının, endüstriden endüstriye marjinal farklılık göstermediği ve ciddi seviyede korelasyon barındırdığı hipotezine dayanır.  Finansal bir kurumun müşterisini bütünsel olarak tüm boyutlardan tanımak için ihtiyaç duyacağı finansal aktivite süresini kısaltmak için kullanılabilir. 

Farklı endüstrilerdeki ayak izi örnekleri:

• Telekom faturalarını tutar, gecikme ve takip hali verileri

• Enerji kullanım seviyesi, ödeme alışkanlıkları

• Su kullanım seviyesi ve eğilimi

• TV ve dijital yayın abonelikleri & ödemeleri

Lokasyon Verilerinden Skor

Bireylerin mobil cihazlarından temin edilecek  veriler arasında iç görü sağlayacak ilk konu, yerleşik lokasyon verisidir. Benzer ana lokasyonlarda vakitlerini geçiren bireylerin, benzer sosyo-ekonomik profillerde olacağı hipotezine dayanır. İkinci konu ise, mevsimsel hareketliliktir. Bireylerin uzun dönem ana yerleşkeleri harici lokasyon değişiklikleri, benzer davranışı gösteren ve finansal durumu bilinen müşteriler ile karşılaştırılarak bireylerin finansman gücünün tahminlenebileceği hipotezine dayanır. Adres Skoru ile bütünleşik kullanımı öngörülmektedir.

Lokasyon tabanlı ayak izi örnekleri:

• Mevsimsel davranış analizi

• Gezinti alışkanlıkları

Harcama Skoru

Bireylerin gelirlerinin (ödeme güçlerinin) tahminlenmesi için, varlıkları veya girdileri yerine, harcamaları veya çıktılarındaki eğilimlerin izlenmesi yaklaşımına dayanır. Sadece tutar olarak değil, ürün dağılımı olarak da benzer alışkanlıkları olan bireylerin finansal kuruluşlar ile benzer ilişki yürüteceği hipotezine dayanır. 

Günlük harcama tabanlı ayak izi örnekleri:

• Sadakat kartları aktiviteleri (Market, Giyim, E-ticaret…),…

• Yemek Sepeti & Trendyol Yemek,…

• Getir, İstegelsin, Bisu,…  

Adres Skoru

Bireylerin gelirlerinin (ödeme güçlerinin) tahminlenmesi için, girdileri yerine, adreslerindeki emlak piyasasının bir unsur olarak dikkate alınması ve adres verisinin yaşam standardı skoruna dönüştürülebileceği yaklaşımına dayanır. Benzer muhitlerde yaşamlarını sürdüren bireylerin benzer sosyo-ekonomik seviyede olacağı hipotezine dayanır.

Adres  veri örnekleri:

• Mülk rayiç bedel havuzu

• Ortama kira bedelleri

• Adresteki mülklerin çeşitliliği (Müstakil, toplu konut, gece kondu,…)

Sosyal Medya Network & Popülerlik Skoru

Sosyal medyadaki ilişkiler ağı, davranış kalıpları, etkileşimleri, içerik üretimleri, reklam almaları, …vs., benzer durumdaki bireylerin, finansal kuruluşlar ile olan ilişkilerininparalellik göstereceği & korelasyon barındıracağı hipotezine dayanır.

Sosyal Medya veri örnekleri:

• İlişkiler ağı

• Ağında diğer üyeleri

• Ağdaki kritiklik durumu

• Infuancer’lık & reklama alma seviyesi

• Dijital İçerik Üretimi

Yukarıdaki  yeni veriler ışığında aşağıdaki yeni nesil yapay zeka yöntemleri sayesinde Finansal Kapsayıcılığın artırılabileceği düşünülmektedir. 

1. Alternatif Kredi Skoru Oluşturulması:

Finansal hizmet sağlayıcıları, elektrik faturaları, telefon faturaları, dijital abonelik faturaları ve diğer banka dışı işlem verileri gibi alternatif finansal bilgilere erişerek, bu bilgileri müşteriyi tanımak, anlamak ve ödeme gücü ve niyetini tahmin etmek için yapay zeka kullanabilirler. Başka bir deyişle, geleneksel bir kredi puanı oluşturmak için banka bilgilerine sahip olmayan kişiler için, kredi puanı oluşturmak için alternatif finansal bilgiler kullanılabilir. Bu çoğunlukla resmi finansal sektörün dışındaki insanlara, özellikle de sistemin dışında kalmış dezavantajlı durumdaki ve sisteme yeni girme aşamasındaki bireylere fayda sağlar. 

Örnek olarak; 

Telefon kullanım verileri (lokasyon, veri trafiği, batarya sarjalışkanlıkları…) müşteri davranışını ve olası kredi skorunu tahmin etmek için yapay zeka algolitmaları tarafından kullanılabilir. 

Sosyal medya kullanıcılarının çevrimiçi itibarları, davranışları, network’ü, etkileşim tarihçeleri müşteriyi tanımak ve dolayısıyla kredi skoruna konu etmek için yapay zeka algolitmarı tarafından kullanılabilir.

2. Kredi riskini daha verimli yönetilmesi

Finans kurumlar borçluların nakit giriş ve çıkışlarını, harcama kalıplarını ve finansal alışkanlıklarını yapay zeka algolitmalarını da kullanarak, bireylerin geri ödeme kabiliyet ve niyetlerindeki bir değişikliği erken tespit edebilirler. Bu, finansal hizmet sağlayıcıların kredi temerrüdünü (kredinin geri ödenmeme olasılığını) erken tahmin edebilmeleri, böylece yeniden yapılandırma dahil olmak üzere uygun önlemlerin alabilmelerine ve dolayısıyla risk maliyetini azaltmalarına imkân verir. Sözkonusu maliyet azalışı ve riskin yönetimi, finansal kuruluşların hizmetleri daha düşük maliyetle ve daha yaygın olarak sunmasına imkân verir.

3. Gelişmiş kimlik çözümleri

KYC (know your customer-müşterini tanı) gereklilikleri, resmi hesap açmanın önünde bir engeldir çünkü ek bir maliyet getirmektedir. Müşteri tanımlama, doğrulama ve onaylama faaliyetleri için sofistike KYC yazılımlarına ihtiyaç duyulmakta ve müşteri edinme süreçleri bu nedenle vakit almaktadır. Özellikle kamunun sahip olduğu verilerin açık veri platformlarındaki parçalarının yapay zeka algoritmalarınca birleştirilmesi ile bireyin kimliği doğrulanabilir. Bu durum özellikle ulusal kimliği olmayan bireyler (sığınmacı, başka ülke vatandaşı, …) için alternatif bir kimlik doğrulama mekanizması olarak kullanılabilme potansiyeli barındırmaktadır.