Bankacılıkta Dolandırıcılık Tespiti: ML Yaklaşımı

Bankacılık ve fintech sektöründe dolandırıcılık tespiti, hem regülasyon hem müşteri güveni açısından kritik. Geleneksel kural-tabanlı sistemler (rule engine) — "günde 5'ten fazla yurtdışı transfer şüpheli" gibi sabit kurallar — artık yetersiz. Dolandırıcılar çok daha yaratıcı; ML tabanlı, sürekli öğrenen sistemler tek alternatif. Bir banka müşterimizle yürüttüğümüz proje, bu yaklaşımın somut sonuçlarını gösterdi.

Modern dolandırıcılık tespit mimarisi 3 katmanlı: (1) Real-time scoring — işlem anında 50-100ms içinde risk skoru üretiliyor; eşik aşılırsa bloklanıyor. (2) Near-real-time monitoring — saniyeler içinde davranış kalıpları analizi (örn. son 1 saatte ATM'den 5 farklı şehirde işlem). (3) Batch analysis — geceleri çalışan derin analizler, yeni saldırı kalıplarını keşfetmek için.

Model tarafında en başarılı sonuçları XGBoost ve LightGBM ile alıyoruz; deep learning her durumda daha iyi değil. Feature engineering en kritik aşama — kullanıcının son 7 gündeki harcama dağılımı, lokasyon değişim hızı, alıcı tarihi, cihaz parmak izi, davranışsal biyometri (yazma hızı, swipe deseni). Bu özellikler, modelin doğruluğunu basit kural tabanlı sistemlere göre 5-8x artırıyor. Çalıştığımız bankada false positive oranı %70 düştü, gerçek dolandırıcılığın yakalanma oranı %42 arttı.

Önemli bir hatırlatma: dolandırıcılık tespiti sadece teknoloji değil, süreç meselesi. Model tek başına yetmez — şüpheli işlem geldiğinde insan onayı için iş akışı, kullanıcıya bildirim mekanizması, geri bildirim döngüsü (kullanıcı işlemi onayladıysa modeli güncelle) hepsi gerekli. ClientIQX olarak fintech projelerinde model kadar süreç tasarımına da odaklanıyoruz. KVKK uyumu, BDDK düzenlemeleri ve denetlenebilirlik baştan tasarımın bir parçası olmalı.