Customer Credit Risk Scoring Using Natural Language Processing (NLP): A News Analysis Approach

Year 2025, Volume: 7 Issue: 2, 138 - 152, 08.12.2025

Hayri Sarı , Metin Turan

https://doi.org/10.47933/ijeir.1814441

Abstract

The banking industry must make swift and reliable assessments in credit-granting processes that inherently involve high risk and must be grounded in information about the customer. In credit risk analysis, it is important to consider not only the customer’s past performance and financial position but also the news circulating in the media environment. However, it is not feasible to manually review the large volume of news produced on a daily basis.
In this study, we aim to automatically process and score customer-related news by employing natural language processing and machine learning–based methods for automated sentiment analysis and named entity recognition. The system comprises the stages of collecting news from RSS sources, performing named entity recognition (NER) and sentiment analysis with Turkish BERT-based models, and then applying the scoring model. The developed framework enables the classification of news items as positive, negative, or neutral and allows these scores to be integrated into credit evaluation processes. Experimental results indicated that the proposed model reliably identifies and classifies the sentiment of customer-related news items in a manner consistent with business experts’ assessments. The evaluation confirmed that the system can automatically collect and analyze news content, supporting faster and more objective decision-making compared to manual review processes.

Keywords

sentiment analysis , Credit risk analysis , named entity recognition , BERT , MongoDB

Doğal Dil İşleme (NLP) Kullanarak Müşteri Kredi Risk Puanlaması: Bir Haber Analizi Yaklaşımı

Abstract

Bankacılık sektörü, doğası gereği yüksek risk barındıran ve müşteri hakkındaki bilgilere dayanması gereken kredi tahsis süreçlerinde hızlı ve güvenilir değerlendirmeler yapmak zorundadır. Kredi risk analizinde, müşterinin yalnızca geçmiş performansı ve finansal durumu değil, aynı zamanda medya ortamında dolaşan haberlerin de dikkate alınması önemlidir. Ancak, günlük olarak üretilen yüksek hacimli haberlerin manuel olarak incelenmesi mümkün değildir. Bu çalışmada, otomatik duygu analizi ve isimlendirilmiş varlık tanıma için doğal dil işleme ve makine öğrenimi tabanlı yöntemler kullanarak müşteriyle ilgili haberleri otomatik olarak işlemeyi ve puanlamayı amaçlıyoruz. Sistem, RSS kaynaklarından haberlerin toplanması, Türkçe BERT tabanlı modellerle isimlendirilmiş varlık tanıma (NER) ve duygu analizi yapılması ve ardından puanlama modelinin uygulanması aşamalarından oluşmaktadır. Geliştirilen bu çerçeve, haberlerin pozitif, negatif veya nötr olarak sınıflandırılmasını ve bu puanların kredi değerlendirme süreçlerine entegre edilmesini sağlamaktadır. Deneysel sonuçlar, önerilen modelin müşteriyle ilgili haberlerin duygusunu, iş uzmanlarının değerlendirmeleriyle tutarlı bir şekilde, güvenilir olarak tanımladığını ve sınıflandırdığını göstermiştir. Değerlendirme, sistemin haber içeriğini otomatik olarak toplayıp analiz edebildiğini, böylece manuel inceleme süreçlerine kıyasla daha hızlı ve daha objektif karar almayı desteklediğini doğrulamıştır.

Keywords

Kredi riski analizi , duygu analizi , adlandırılmış varlık tanıma , BERT , MongoDB

References

• [1] SU, J., LAU, R. Y. K., YU, J., NG, D. C. T. ve JIANG, W. (2025). A multi-modal data fusion approach for evaluating the impact of extreme public sentiments on corporate credit ratings. Complex & Intelligent Systems, 11, 436. https://doi.org/10.1007/s40747-025-02067-5
• [2] Savasy. (2020). Turkish BERT models for NLP tasks [Computer software]. Hugging Face. https://huggingface.co/savasy
• [3] DU, K., ZHAO, Y., MAO, R., XING, F. ve CAMBRIA, E. (2024). Natural Language Processing in Finance: A Survey. Information Fusion, 115, 102755. https://doi.org/10.1016/j.inffus.2024.102755
• [4] DEVEIKYTE, J., GEMAN, H., PICCARI, C. ve PROVETTI, A. (2020). A Sentiment Analysis Approach to the Prediction of Market Volatility. arXiv preprint arXiv:2012.05906. https://arxiv.org/abs/2012.05906
• [5] How do machine learning and non-traditional data affect credit scoring? New evidence from a Chinese fintech firm (2024). Journal of Financial Stability, 73, 101284. https://doi.org/10.1016/j.jfs.2024.101284
• [6] Aydin, C. R. and Gungor, T. (2021). Sentiment analysis in Turkish: Supervised, semi-supervised, and unsupervised techniques. NATURAL LANGUAGE ENGINEERING, 27(4), 455–483. https://doi.org/10.1017/S1351324920000200
• [7] GÖKTÜRK, İ. E. and Soydan, E. (2021). Zihinsel muhasebe eğilimi çerçevesinde bireylerde finansal karar alma süreci: finansal sosyal hizmet üzerine bir değerlendirme. Toplum Ve Sosyal Hizmet, 32(4), 1543-1564. https://doi.org/10.33417/tsh.903821
• [8] Çetin, F. S. and Eryiğit, G. (2018). Türkçe hedef tabanlı duygu analizi i̇çin alt görevlerin i̇ncelenmesi – hedef terim, hedef kategori ve duygu sınıfı belirleme. Bilişim Teknolojileri Dergisi, 11(1), 43-56. https://doi.org/10.17671/gazibtd.325865
• [9] Tokcaer, S. (2021). Türkçe metinlerde duygu analizi. Journal of Yaşar University, 16(63), 1516-1536. https://doi.org/10.19168/jyasar.928843
• [10] TAŞKIN, K. (2022). Sanal pazar uygulamalarinin kullanilabi̇li̇rli̇ği̇ni̇n duygu anali̇zi̇ temelli̇ değerlendi̇ri̇lmesi̇. Premium E-Journal of Social Science. https://doi.org/10.37242/pejoss.4239
• [11] Sarıman, G. (2020). Covid-19 süreci̇nde twitter mesajlarinin duygu anali̇zi̇. Euroasia Journal of Mathematics Engineering Natural and Medical Sciences, 7(10), 137-148. https://doi.org/10.38065/euroasiaorg.149
• [12] İlhan, N. and SAĞALTICI, D. (2020). Twitter'da duygu analizi. Harran Üniversitesi Mühendislik Dergisi, 5(2), 146-156. https://doi.org/10.46578/humder.772929
• [13] İLDAŞ, T. (2021). Kredi̇ ri̇ski̇ ölçüm modelleri̇ni̇n değerlendi̇ri̇lmesi̇. Finansal Araştırmalar Ve Çalışmalar Dergisi, 13(25), 516-547. https://doi.org/10.14784/marufacd.976580
• [14] DEMİRBİLEK, M. and DEMİRBİLEK, S. Ö. (2023). Google yorumları üzerinden makine öğrenme yöntemleri ve amazon comprehend ile duygu analizi: i̇ç anadoluda bir üniversite örneği. Üniversite Araştırmaları Dergisi, 6(4), 452-461. https://doi.org/10.32329/uad.1383794
• [15] Kabaklarlı, E. (2015). Türkiye’de kredi kartı kullanımının, para politikasındaki rolü ve etkileri. Sosyoekonomi, 23(26). https://doi.org/10.17233/se.90476
• [16] ÇELİK, C. and Akbulut, M. (2023). Online pazaryerlerinin sosyal medya kanalları: twitter duygu analizi örneği. ODÜ Sosyal Bilimler Araştırmaları Dergisi (ODÜSOBİAD). https://doi.org/10.48146/odusobiad.1309113
• [17] SEL, A. (2022). Pandemi̇ süreci̇nde toplum görüşünün duygu anali̇zi̇ yöntemi̇yle i̇ncelenmesi̇: türki̇ye örneği̇. Beykoz Akademi Dergisi, 10(2), 134-154. https://doi.org/10.14514/beykozad.882353
• [18] Yıldırım, M. (2022). Film yorumları kullanılarak önerilen yapay zekâ tabanlı yöntemle duygu analizinin gerçekleştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34(2), 751-760. https://doi.org/10.35234/fumbd.1138128
• [19] DEMİREL, A. C. and TAPAN, M. G. (2023). Üniversite öğrencilerinin sosyal medya ve kompulsif çevrimiçi alışveriş bağımlılığı arasındaki i̇lişkinin i̇ncelenmesi. İnsan Ve Toplum Bilimleri Araştırmaları Dergisi, 12(1), 60-78. https://doi.org/10.15869/itobiad.1147669
• [20] Winer, D. (2003). RSS 2.0 specification. http://www.rssboard.org/rss-specification
• [21] Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805. https://arxiv.org/abs/1810.04805
• [22] Hugging Face. (n.d.). Transformers [Computer software]. https://huggingface.co/transformers
• [23] Savasy. (2020a). Turkish BERT model fine-tuned for Named Entity Recognition (NER) [Computer software]. Hugging Face. https://huggingface.co/savasy/bert-base-turkish-ner-cased
• [24] Savasy. (2020b). Turkish BERT model fine-tuned for sentiment analysis [Computer software]. Hugging Face. https://huggingface.co/savasy/bert-base-turkish-sentiment-cased
• [25] D C. Sun, X. Qiu, Y. Xu, and X. Huang, "How to Fine-Tune BERT for Text Classification?" in Chinese Computational Linguistics, Cham: Springer International Publishing, 2019, pp. 194–206. https://doi: 10.1007/978-3-030-32381-3_16
• [26] Sarı. (2025). Dataset - Customer-based news [Data set]. Zenodo. https://doi.org/10.5281/zenodo.17429383