Browsing by Author "Bozkan, Tunahan"

Now showing 1 - 5 of 5

Customer Segmentation and Churn Prediction via Customer Metrics
(IEEE, 2022) Bozkan, Tunahan; Cakar, Tuna; Sayar, Alperen; Ertugrul, Seyit
In this study, it is aimed to predict whether customers operating in the factoring sector will continue to trade in the next three months after the last transaction date, using data-driven machine learning models, based on their past transaction movements and their risk, limit and company data. As a result of the models established, Loss Analysis (Churn) of two different customer groups (Real and Legal factory) was carried out. It was estimated by the XGBoost model with an F1 Score of 74% and 77%. Thanks to this modeling, it was aimed to increase the retention rate of customers through special promotions and campaigns to be made to these customer groups, together with the prediction of the customers who will leave. Thanks to the increase in retention rates, a direct contribution to the transaction volume on a company basis was ensured.
Dijital Dönüşüm ile ESG Skorlaması: Makine Öğrenimi ile Sürdürülebilirliği Sayısallaştırmak
(2025) Bozkan, Tunahan; Çakar, Tuna
Bu çalışma, büyük şirketlerin yan kuruluşlarına verilen Çevresel, Sosyal ve Yönetişim (ESG) puanlarının fonların yatırım kararları üzerindeki etkisini sistematik olarak analiz etmeyi amaçlamaktadır. Temel hedef, özellikle risk yönetimi, sürdürülebilirlik ve uzun vadeli finansal performansla ilgili olarak, ESG puanlarının fon portföylerini ve yatırım stratejilerini şekillendirmedeki rolünü incelemektir. ESG metriklerinin artan önemi, fon yöneticilerinin karar alma süreçlerinde değişiklik yapılmasını gerektirmekte olup, ESG puanına sahip şirketlerin yatırım portföylerine nasıl dahil edildiklerinin derinlemesine değerlendirilmesini zorunlu kılmaktadır. Bu araştırma, büyük kurumsal varlıkların yan kuruluşlarının özel katkılarını araştıracak ve bu yan kuruluşların, genel fon değerlemesindeki rollerini inceleyecektir. Yan kuruluşlara odaklanarak, çalışma bireysel iş birimlerinin sürdürülebilirlik performanslarının geniş yatırım manzarasını nasıl etkilediğini vurgulayacaktır. ESG puanlarının risk azaltma, sürdürülebilirlik hedefleriyle uyum ve uzun vadeli getirileri maksimize etme önemi bu analizin merkezinde olacaktır. Ayrıca, çalışma, ESG puanına sahip olmayan şirketlere yapılan yatırımlarla ilişkili potansiyel riskleri değerlendirecek ve bu tür puanların olmamasının yatırım stratejileri üzerindeki etkisini inceleyecektir. Araştırmanın temel bir bileşeni, fon yöneticilerinin ESG puanına sahip olan ve olmayan şirketleri değerlendirirken kullandıkları karar verme kriterlerinin incelenmesi olacaktır. Bu puanların portföy kompozisyonunu ve yatırım önceliklendirilmesini nasıl etkilediği araştırılacaktır. Çalışma ayrıca, finans sektöründe sürdürülebilirlik için geniş çaplı sonuçları ele alacak, özellikle ESG düşüncelerinin geleneksel finansal performans metrikleriyle nasıl kesiştiğini tartışacaktır. Sonuç olarak, bu araştırma, ESG puanlarının fonların yatırım stratejilerini şekillendirme rolü hakkında kapsamlı bir anlayış sağlamayı amaçlamaktadır. Büyük firmaların yan kuruluşlarına odaklanarak, bu çalışma ESG yatırımları üzerine büyüyen bilgi birikimine katkıda bulunacak ve bu metriklerin fon performansı, karar alma süreçleri ve yatırım portföylerinin uzun vadeli başarısı üzerindeki etkilerine dair içgörüler sunacaktır.
Citation - Scopus: 1
Modeling Consumer Creditworthiness Via Psychometric Scale and Machine Learning
(IEEE, 2022) Çakar, Tuna; Ertugrul, Seyit; Sayar, Alperen; Sahin, Türkay; Bozkan, Tunahan
Although the predictive power of economic metrics to detect the creditworthiness of the customers is high, there is a rising interest in the integration of cognitive, psychological, behavioral, alternative, and demographic data into credit risk systems and processing the data through modern methods. The primary motivation for the rising interest is increased customer classification accuracy. In this research, customer creditworthiness was modeled through data consisting of personality, money attitudes, impulsivity, self-esteem, self-control, and material values and processed through artificial intelligence. The obtained findings have been evaluated as a reference point for the following research. © 2022 IEEE.
Physical Activity Monitoring With Smartwatch Technology in Adolescents and Obtaining Big Data: Preliminary Findings
(Ieee, 2024) Filiz, Gozde; Arman, Nilay; Ayaz, Nuray Aktay; Yekdaneh, Asena; Albayrak, Asya; Bozkan, Tunahan; Çakar, Tuna
This study assesses the potential of smartwatch technology in monitoring adolescents' physical activity and health parameters. It focuses on the role of physical activity in preventing chronic diseases and improving quality of life. The primary aim of the project is to perform statistical analysis of the large data sets collected from both healthy adolescents and those with chronic rheumatic diseases, and to develop a machine learning-based classification model to distinguish between these two groups. This analysis highlights the issue of physical inactivity observed during the Covid-19 pandemic, while showcasing the capacity of technology to offer solutions. The study aims to evaluate the collected data in a way that forms the basis for personalized activity plans for adolescents, demonstrating how wearable technology and big data can be effectively used in health services and to promote physical activity.
Transaction Volume Estimation in Financial Markets With Lstm
(IEEE, 2023) Bozkan, Tunahan; Çakar, Tuna; Ertuğrul, Seyit; Sayar, Alperen; Akçay, Ahmet
In this study, it was aimed to determine the transaction volume that will be encountered in the future (hourly) in the factoring sector, and then to take financial and operational action early. For the study, the LSTM model, which is a kind of recurrent neural network (RNN) that can capture long and short-term dependencies, was applied by using data-driven approaches to estimate the check amounts of hourly transactions. As a result of the results, it was aimed to increase the operational efficiency in a broad scope by allowing the factoring company to determine the loan amounts to be obtained from banks in the most optimal way, and then to take early action within the scope of both the workforce and business management of the financial resource allocation management process and operational activities. MAPE score was used as a measure of error in the time series analysis model. MAPE scores were found as %5.05 for 30 days, %4.18 for 10 days, %3.47 for 5 days, %3.09 for 3 days and %1.83 for 1 day. According to the MAPE scores calculated for different days, the enterprise will be able to decide on the loan to be drawn from banks both in terms of time and amount, and the necessary action will be taken.