A Study on The Use of Decısıon Tree Classıfıers in The Fınancıal Sector

Yıl 2020, Cilt: 2 Sayı: 14, 77 - 88, 01.12.2020

Batuhan Bilenler

Öz

In this scientific study, it is aimed to make the prediction of whether the file will go to court by analyzing the insurance claim files with high accuracy. 27,776 data were used for the research. Classification process was made using the decision tree method in a balanced data set where half of the target data is "Yes" and half is "No". At the end of the study, an accuracy rate of 93.5% was achieved. The fact that Cohen's Kappa coefficient was 0.86 revealed the quality of the study. Precision, sensitivity, F-measure coefficient should definitely be considered. In this study, the sensitivity of the model was quite successful for both yes and no answers, and it was concluded that it was above 93% for both. For insurance companies, the predictability of this decision will provide great support to the year-end balance sheets by providing advantages such as attorney fees, litigation expenses, and settlement with less amount without going to court. It is predicted that such analytical studies will contribute more to the field of finance in the future

Anahtar Kelimeler

Data Analytics, Decision Trees, Machine Learning, Insurance

Finans Alanında Karar Ağacı Sınıflandırıcılarının Kullanımına İlişkin Bir Çalışma

Öz

Bu bilimsel çalışmada sigorta hasar dosyalarının analiz edilerek, dosyanın mahkemeye gidip gitmeyeceği tahmininin yüksek doğruluk oranıyla yapılması amaçlanmıştır. Araştırma için 27.776 veri kullanılmıştır. Hedef verisinin yarısının “Evet” yarısının “Hayır” olduğu dengeli bir veri setinde karar ağacı yöntemi kullanılarak sınıflandırma işlemi yapılmıştır. Çalışma sonunda, %93.5 doğruluk oranına ulaşılmıştır. Cohen’s Kappa katsayısının 0.86 düzeyinde olması çalışmanın kalitesini ortaya koymuştur. Keskinlik, duyarlılık, F-measure katsayısı muhakkak göz önünde bulundurulmalıdır. Bu çalışmada modelin duyarlılığı hem evet yanıtları için hem de hayır yanıtları için oldukça başarılı sonuç ortaya koymuş olup, her ikisi için de 93% değerinin üzerinde olduğu sonucuna varılmıştır. Sigorta şirketleri için bu kararın önceden tahmin edilebilmesi avukatlık masrafları, dava giderleri, mahkemeye gitmeden daha az tutarla uzlaşma gibi avantajlar sağlayarak yıl sonu bilançolarına büyük destek sağlayacaktır. Bu tür analitik çalışmaların finans alanına ilerde daha fazla katkı sağlayacağı öngörülmektedir

Anahtar Kelimeler

Veri Analitiği, Karar Ağaçları, Makine Öğrenmesi, Sigortacılık.

Kaynakça

• Kubinaa, M. Varmusa, M. Kubinova, I. 2015. Use Of Big Data For Competitive Advantage Of Company, 4th World Conference On Business, Economics And Management, WCBEM, Procedia Economics And Finance
• Tüsiad, 2017. Türkiye’nin Sanayide Dijital Dönüşüm Yetkinliği, Aralık 2017 Yayın No: TÜSİAD- T/2017,12 – 589
• Alkan S., 2020. Sigorta Sektörü, <http://www.vakifbank.com.tr/earastirma/sigorta.doc>, 10.11.2020.
• Armağan R., 2000, “Yeni Ekonomiler Ve Türkiye”, Süleyman Demirel Üniversitesi İ.İ.B.F. Dergisi, Cilt 5, Sayı 2.
• Öktem M. & Aydın M. 2005, Bilgi Teknolojileri ve Türk Kamu Yönetiminde Dönüşüm, Hacettepe Üniversitesi İ.İ.B.F. Dergisi, Cilt 23, Sayı 2.
• Ömürbek N. & Altın F. G., 2008. Sigortacilik Sektöründe Bilgi Teknolojilerinin Uygulanmasina İlişkin Bir Araştirma Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Sayı 3.
• Özdamar M., 2013. Sigorta Hukukunda Uyuşmazlıkların Çözümünde Tahkim Sistemi. Gazi Üniversitesi Hukuk Fakültesi Dergisi, C. XVII.
• Bulut F., 2019. Bankacılık Sektöründe Yeni Özniteliklerle ve Makine Öğrenmesi Yöntemleriyle Müşteri İlişkileri Yönetiminin Zenginleştirilmesi. Avrupa Bilim ve Teknoloji Dergisi, Sayı 16, S. 382-394
• Şimşek Gürsoy, U. T. 2017. Veri Madenciliğinde Güncel Yaklaşımlar. İstanbul: Çağlayan Kitabevi.
• J. R. (John Ross) Quinlan and J. Ross, 1993. C4.5: programs for machine learning,” Morgan Kaufmann Publishers.
• Silahtaroğlu, G., 2013. Veri Madenciliği Kavram ve Algoritmaları, Papatya Yayıncılık, İstanbul.
• Nizam, H. ve Akın, S. S., 2014. Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması, XIX. Türkiye'de İnternet Konferansı