Programın 23. yılında verilen ödüller 12 Ağustos 2026’da açıklandı. Kazananlar 28 Ekim 2026’da Paris’te düzenlenecek törende bir araya gelecek.

Altın Ödül — Uygulama Programlama Arayüzü (API) Yönetim Çözümü Kategorisi

“Dünyanın İlk Üretken Yapay Zeka Mimarisine Sahip Hizmet Orkestrasyon Platformu Symphony Labs” projesi. Symphony Labs, üretken yapay zekâ yeteneklerini mimarisine gömerek karmaşık entegrasyon ve servis orkestrasyon süreçlerini tek platformdan yönetiyor; mevcut sistemlerin yeni dijital servislerle bağlanmasını hızlandırıyor.

Gümüş Ödül — Müşteri Deneyimi için Yapay Zekâ Kategorisi

“Uçak İçi İsraf ve İkram Optimizasyonu” projesi. Yapay zekâ tabanlı tahmin yöntemleriyle uçak içi ikram yönetimini daha verimli hâle getiren, hem yolcu deneyimini iyileştiren hem de israfı azaltan çalışma.

Gümüş Ödül — Finansal Hizmetlerde Başarı Kategorisi

“Araç Finansmanında Karmaşık Süreçleri Sadeleştiren Dijital Çözüm” projesi. Symphony Lending ürün ailesi kapsamında geliştirilen çözüm, uçtan uca tüketici finansmanını dijitalleştiriyor ve karar mekanizmalarını yapay zekâ yetenekleriyle destekliyor.

Bronz Ödül — Ürün İnovasyonunda Başarı Kategorisi

“Symphony Banking: Geleneksel Sistemlerden Otonom Bankacılığa” projesi.

GTech Kurucu Ortağı ve CEO’su Mine Taşkaya, ödüllere ilişkin olarak “26 yıllık tecrübemizle sektörün gelişimine şahitlik ediyor ve bu gelişime katkı sağlamaktan mutluluk duyuyoruz.” dedi.

The post GTech, Stevie International Business Awards 2026’dan Dört Ödülle Döndü appeared first on GTech.

Türk bilişim sektörünün en yetkin göstergesi ve en çok referans gösterilen endeksi olan Bilişim 500’de, fintek ve yazılım geliştirme alanındaki gücümüzle iki kategoride yer aldık:

• Sektörel Yazılım – Finans ve Bankacılık: 9. sıra
• Türkiye Merkezli Yazılım Geliştirici / Üretici: 25. sıra

Bilişim 500, Türkiye’nin ilk beş yüz bilişim şirketini gelir, ihracat, istihdam ve ürün gelirleri gibi ölçütlerle her yıl sıralayan araştırmadır.

26 yılı aşkın bankacılık ve finans teknolojileri deneyimimizle ulaştığımız bu sıralama, Symphony ürün ailesi ve analitik çözümlerimize duyulan güvenin bir yansıması.

The post Bilişim 500’de Türkiye’nin En Büyük Bilişim Şirketleri Arasında Yükselişimiz Sürüyor appeared first on GTech.

Next Best Action (NBA), her müşteri için o an atılabilecek en değerli adımı gerçek zamanlı seçen bir karar yaklaşımıdır. Kredi teklifi mi sunulmalı, bir uyarı mı gitmeli, yoksa hiçbir şey mi yapılmamalı? NBA bu soruyu kural tablolarıyla değil, öğrenen modellerle yanıtlar. 2026’da bankacılığın en çok konuşulan analitik başlıklarından biri olması da boşuna değil. İşin ilginç yanı şu: bir sektör araştırmasında NBA, CDP alıcılarının en çok istediği yapay zeka yeteneği çıktı; içerik üretiminin de, segmentasyonun da önünde.

Bu yazıda NBA’nın ne olduğunu, klasik kampanya yönetiminden nerede ayrıldığını ve arkasındaki karar mimarisini konuşuyoruz.

Next Best Action Nedir?

NBA, müşteri verisini, iş kurallarını ve yapay zekayı birleştirip her birey için en uygun aksiyonu belirleyen bir stratejidir. Buradaki “aksiyon” illa satış olmak zorunda değil. Bir yatırım fırsatını hatırlatmak, kart limitini gözden geçirmeyi önermek, hatta hiçbir teklif yapmamak da geçerli birer aksiyon.

Klasik kampanya yönetiminden ayrıldığı yer tam burası. Eski usulde bir segment tanımlarsın, o segmentteki herkese aynı teklifi yollarsın, sonucu haftalar sonra ölçersin. NBA ise segment yerine bireyle, takvim yerine anla ilgilenir. Müşteri uygulamayı açtığı anda, o bağlamda en anlamlı aksiyon neyse onu tetikler.

Bir örnek işi netleştiriyor. Sık seyahat eden birine yurt dışı avantajlı bir kart önermek mantıklı. Ama aynı müşteri son üç ayda üç kez çağrı merkezini aradıysa, doğru “sonraki aksiyon” bir teklif değil, sorununu çözecek bir yönlendirmedir. NBA bu ayrımı yapabildiği ölçüde değer üretir. Yapamıyorsa, sadece daha hızlı spam gönderen bir sistem olur.

NBA Klasik Öneri Sisteminden Nasıl Ayrılır?

Bir öneri sistemi genelde tek soruya odaklanır: “Bu müşteri hangi ürünü alır?” NBA daha geniş sorar: “Bu müşteri için, bu kanalda, bu anda yapılabilecek en değerli şey ne?”

Fark, kanalı ve zamanlamayı da işin içine katmaktan geliyor. Aynı teklif e-postada işe yaramazken uygulama içi bildirimde dönebilir. NBA “ne önereyim” kadar “nereden ve ne zaman ileteyim” sorusunu da çözer.

Bir katman daha var. İyi kurulmuş bir NBA, aksiyonun uzun vadeli etkisini de gözetir. Bugün tıklama getiren agresif bir teklif, müşteriyi rahatsız edip yarın değerini düşürebilir. Bu dengeyi kurmak, NBA’yı basit bir skor motorundan ayıran şey.

NBA’nın Arkasındaki Karar Mimarisi

Olgun bir NBA programı tek modele değil, birbirini besleyen üç katmana dayanıyor. Sırayla çalışırlar ve her biri farklı bir soruya bakar.

Katman 1: Propensity ve uplift modelleri

İlk katman temel skorlamayı yapar. Propensity modelleri “bu müşteri şu aksiyona ne kadar yatkın?” der. Uplift modelleri bir adım öteye geçer ve aksiyonun asıl etkisini ölçer: müşteri zaten dönecekti de biz mi tetikledik, yoksa gerçekten bir fark mı yarattık?

Bu ayrım kritik. Zaten dönecek bir müşteriye teklif göndermek para yakmaktır. Asıl kazanç, ancak müdahaleyle harekete geçecek kesimi bulmakta.

Katman 2: Contextual bandit ile gerçek zamanlı karar

İkinci katman, pekiştirmeli öğrenme temelli bir contextual bandit. Sistem müşterinin bağlamını görür (davranış, cihaz, zamanlama), bir aksiyon seçer, kısa süre sonra bir ödül sinyali alır: tıklama, dönüşüm, uygulama açılışı.

Bandit’in gücü keşif–sömürü dengesini yönetmesinde. Bilinen kazançlı aksiyonu tekrarlamakla yeni seçenekleri denemek arasında sürekli ayar yapar. Böylece sistem tek bir “kazanan” teklife saplanmaz, yeni sinyalle kararını canlı günceller. Bugün teknoloji şirketlerinin öneri sistemlerinde yaygın; giderek kurumsal pazarlamaya da giriyor.

Katman 3: Agentic AI ve bileşik akıl yürütme

Üçüncü katman en yenisi. Foundation model tabanlı ajanlar tek aksiyon seçmenin ötesine geçip birden fazla adımı zincirliyor. Bir varlık yönetimi senaryosunda AI copilot portföy incelemesini yapıp bir sonraki aksiyon önerisini hazırlıyor, danışman da zamanını müşterinin gerçek hedeflerine ayırıyor.

Üçünü birlikte düşünmek gerek. Sadece propensity skoruyla çalışan sistem statik kalır; sadece bandit’e güvenen sistem uzun vadeli stratejiden kopar. Değer, katmanların birbirini beslemesinde.

Bankacılıkta NBA Nasıl Değer Üretir?

Türkiye’de bankaların çoğu dolandırıcılık tespitinden sanal asistanlara kadar pek çok alanda yapay zeka kullanıyor. Kişiselleştirme de bu tablonun ortasında. Yapay zeka destekli sistemler harcama alışkanlığına göre bütçe önerebiliyor, bir kredi ihtiyacını müşteri fark etmeden haftalar önce sezebiliyor.

NBA’yı devreye alan kurumlarda kazanç tek bir kampanyadan gelmiyor; sürekli öğrenen bir karar altyapısından geliyor, sistem her yeni ödül sinyaliyle biraz daha isabetli hale geliyor.

Ama başarı büyük ölçüde veriye bağlı. Gerçek zamanlı karar için müşteri sinyallerinin anlık akması, modellerin izlenebilir ve yeniden eğitilebilir olması, aksiyon–ödül döngüsünün temiz kaydedilmesi gerekiyor. Çoğu NBA projesinin gerçek darboğazı model doğruluğu değil; kararı besleyen verinin zamanında ve güvenilir gelmesi.

Nereden Başlamalı?

NBA’ya geçiş tek adımda olmuyor. En sağlıklı yol dar bir senaryoyla başlamak: tek kanal, ölçülebilir tek aksiyon, net bir ödül tanımı. Propensity ve uplift katmanı oturduktan sonra contextual bandit ile gerçek zamanlı katman ekleniyor; agentic yapılar altyapı olgunlaştığında devreye giriyor.

GTech olarak Symphony Sense ve Analytics çözümlerimizle bankaların bu karar altyapısını uçtan uca kurmasına destek oluyoruz. Doğru sonraki aksiyon, ancak doğru veri temelinin üzerine oturduğunda anlamını buluyor.

Kaynakça

CDP.com: Next Best Action
BCG: The Science Behind Next-Best Action Programs
Braze: Contextual Bandits
Backbase: AI in banking 2026

Hazırlayan: GTech Veri Bilimi Ekibi

The post Next Best Action Nedir? Bankacılıkta Bir Sonraki En İyi Aksiyonu Belirleyen AI appeared first on GTech.

Ders kitabı tanımı bu kadar, ve bu konudaki çoğu yazı da tam burada bitiyor. Formül beş dakikada öğretilebilecek kadar basit. Onu gerçek bir müşteri tabanına, özellikle bankacılık ya da fintek alanında uygulamak ise işin asıl ilginç kısmı.

CLV (Müşteri Yaşam Boyu Değeri) Nedir?

CLV, çeyreklik gelirin cevaplayamadığı bir soruyu cevaplar: bu müşteri, onu kazanmak için harcanan paraya gerçekten değiyor mu? Bir kere 4.000 TL’lik alışveriş yapan bir müşteri, dört yıl boyunca ayda 1.000 TL harcayacak bir müşteriyle CLV hesaplanana kadar birebir aynı görünür. Hesaplama yapıldığı anda ikincisinin yaklaşık on iki kat daha değerli olduğu ortaya çıkar.

CLV’nin neredeyse her büyüme toplantısında müşteri edinme maliyetinin (CAC) yanında anılmasının nedeni de bu. CAC size ne harcadığınızı söyler. CLV ise karşılığında ne aldığınızı. İkisi birbirinden ayrı pek bir anlam ifade etmez.

Temel CLV Formülü

Formülün standart versiyonu üç girdiden oluşur:

CLV = Ortalama Satın Alma Değeri × Satın Alma Sıklığı × Müşteri Yaşam Süresi

Gerçek rakamlarla nasıl göründüğüne bakalım:

Ortalama satın alma değerini sıklıkla çarptığınızda yıllık müşteri değerini bulursunuz, bu örnekte 10.000 TL. Bunu yaşam süresiyle çarptığınızda CLV’ye ulaşırsınız. E-ticaret, SaaS ve perakende işletmelerinin yıllardır kullandığı mantık bu, ve başlangıç noktası olarak gayet iş görüyor.

Temel Formül Nerede Yetersiz Kalıyor

Formül, her müşterinin ortalama bir müşteri gibi davrandığını varsayıyor. Gerçek müşteriler öyle davranmıyor. On yıl boyunca yılda bir kez alışveriş yapan biriyle altı ay boyunca haftada bir alışveriş yapan biri, aynı ortalama satın alma sıklığını üretebilir; oysa ikisinin temsil ettiği değer ve risk tamamen farklıdır.

Formül ayrıca müşteri yaşam süresini bilinen bir sayı olarak ele alıyor, halbuki bu tahmin edilmesi en zor kısım. Paranın zaman değerini de tamamen görmezden geliyor. Beş yıl sonraki bir liralık kâr, bugünkü bir lira ile aynı değerde değildir; ama temel formül gelecekteki nakit akışlarını iskonto etmediği için uzun ilişkilerde CLV’yi olduğundan yüksek gösterme eğiliminde.

Banka ya da fintek için işler daha da karmaşıklaşıyor. Bir vadesiz hesap müşterisinin tek bir satın alma sıklığı yok. Mevduatı, para çekmesi, konut kredisi başvurusu, kredi kartı talebi ve destek çağrısı var; hepsi farklı ritimlerde, bazen yıllar arayla gerçekleşiyor. Temel formül, tek ürünlü ve düzenli aralıklarla tekrarlanan satın alma örüntüleri için tasarlanmıştı. Bankacılık ilişkileri bunların hiçbiri değil.

Öngörülü CLV Modelleri: Daha Doğru Bir Yaklaşım

Bir pazarlama 101 dersini gerçek bir veri ekibinin üretime alabileceği bir şeyden ayıran kısım tam olarak burası.

BG/NBD ve Gamma-Gamma

Kısaca BG/NBD olarak anılan Beta-Geometrik/Negatif Binom Dağılımı modeli, Peter Fader, Bruce Hardie ve Ka Lok Lee tarafından 2005 yılında, Pareto/NBD adlı daha eski bir modele göre uygulaması daha kolay bir alternatif olarak tanıtıldı. Sabit bir satın alma sıklığı varsaymak yerine, her müşterinin alışveriş örüntüsünü ve ilişkiyi bırakma olasılığını müşteri tabanı genelinde rastgele dağılmış olarak ele alır; ardından belirli bir müşterinin hâlâ “aktif” olma ihtimalini ve ondan beklenen işlem sayısını tahmin eder.

BG/NBD yalnızca işlem sayısını tahmin eder. Gamma-Gamma adlı tamamlayıcı bir model ise bu gelecekteki işlemlerin her birinin ne kadar değerinde olacağını tahmin eder. İkisini bir araya getirdiğinizde, tek bir şirket ortalaması yerine gerçek satın alma geçmişine dayanan bir CLV tahmini elde edersiniz.

Her iki model de aboneliğin, müşterinin ne zaman ayrıldığını size söylemediği sözleşmesiz ilişkiler için tasarlandı. Bu tanım, çoğu perakende bankacılık ilişkisini oldukça iyi karşılıyor: bir müşteri, hesabını hiç resmen kapatmadan işlem yapmayı bırakabilir.

Makine Öğrenmesi Nerede Devreye Giriyor

BG/NBD ve Gamma-Gamma, sınırlı veriyle iyi çalışır ve teknik olmayan bir paydaşa anlatılması kolaydır; bu, insanların kabul ettiğinden daha önemli bir avantajdır. Özellikle gradient boosting ve sinir ağı yaklaşımları başta olmak üzere makine öğrenmesi modelleri, yeterli geçmiş veri olduğunda ve olasılıksal modellerin doğrudan ele alamadığı değişkenleri (kanal, ürün karması, kredi skoru, şube konumu, kampanya yanıt geçmişi) modele katmak istediğinizde bu iki modelin önüne geçebilir.

Ödünleşim her zamanki gibi: daha fazla değişken ve esneklik, daha az yorumlanabilirlik. Bir müşteriyi yüksek riskli olarak işaretleyen bir churn modeli, özellikle düzenlemeye tabi bir sektörde, birinin nedenini açıklayabilmesi durumunda gerçekten işe yarar. Bu, finansal hizmetlerde öngörülü analitiğe doğru daha geniş bir kaymanın parçası; makine öğrenmesi giderek statik, kural tabanlı skorlama yaklaşımlarını tamamlıyor ya da yerini alıyor.

Bankacılık ve Fintekte CLV Farklı Görünür

CLV içeriklerinin çoğu, bir müşterinin genellikle tek bir ürünü ve tek bir satın alma örüntüsü olduğu e-ticaret ve SaaS için yazılıyor. Finansal hizmet müşterileri nadiren bu şekilde çalışır. Tek bir perakende bankacılık müşterisi; her biri kendi marjı, risk profili ve churn davranışıyla, bir tasarruf hesabı, bir konut kredisi ve bir kredi kartı tutabilir.

Bankaların CLV’yi tek başına bir metrik olarak ele almak yerine daha geniş müşteri analitiğinin içine yerleştirme eğiliminde olmasının nedeni de bu. Örneğin GTech’in Symphony Analytics platformu, müşterileri sadece bakiyeye göre değil, kayıp riskine göre skorlayıp davranışa göre kümeliyor; bu da tek bir ortalama satın alma formülünün asla ulaşamayacağı gerçek bir yaşam boyu değer resmine daha çok yaklaşıyor. Bank of Kigali’nin yakın zamandaki veri altyapısı kurulumu, bunun gerçek dünyadan işe yarar bir örneği: önce kredi, müşteri ve mevduat verisini birleştirmek, sonra segmentasyon ve kişiselleştirmeyi bunun üzerine inşa etmek.

Bunların hiçbiri CLV kavramından vazgeçmeyi gerektirmiyor. Sadece formüldeki “müşterinin” aslında bir ürün demeti olduğu ve modelin bunu yansıtması gerektiği anlamına geliyor.

CLV vs. CAC: Asıl Önemli Olan Oran

Sıkça anılan bir kural, CLV ile CAC arasında 3:1 oranıdır; yani bir müşteri, onu kazanmak için harcanan tutarın en az üç katı değerinde olmalıdır. Bunun altında büyüme, sürdürmesi pahalı bir hâle gelir. Çok üzerinde ise muhtemelen müşteri edinmeye yeterince yatırım yapmıyor ve masada büyüme bırakıyorsunuzdur.

Oran, tek başına iki sayıdan daha kullanışlıdır. 100.000 TL’lik bir CLV, CAC’in 80.000 TL olduğunu öğrenene kadar harika görünür.

Müşteri Yaşam Boyu Değeri Nasıl Artırılır?

Elde tutma burada en yüksek kaldıraçlı araç, ve ekonomisi de genelde tekrarlanan sektör geneli istatistiğin ima ettiğinden çok daha somut. Bunun arkasındaki orijinal araştırma, Reichheld ve Sasser’in 1990 tarihli Harvard Business Review çalışması, müşteri kaybetme oranındaki yalnızca %5’lik bir azalmanın, spesifik olarak bir bankanın şube ağında kârı %85 artırdığını ortaya koydu; bu her sektör için geçerli evrensel bir kural olarak değil (Reichheld & Sasser, HBR 1990). CLV üzerine düşünen bir banka için bu, her yerde dolaşan abartılı “herkes için %25-95” versiyonundan çok daha isabetli bir rakam.

Elde tutmanın ötesinde, CLV’yi pratikte hareket ettiren üç kaldıraç var:

1. Çapraz satış ve sıradaki en iyi aksiyon. Genel bir segment yerine gerçek davranışa dayanarak doğru ürünü doğru müşteriye doğru zamanda önermek, edinme maliyetini artırmadan satın alma sıklığını yükseltir.

2. Erken churn tespiti. Risk altındaki bir müşteriyi ayrılmadan üç ay önce yakalamak, elde tutma ekibine harekete geçecek zaman kazandırır. Hesabı kapattığı hafta yakalamak kazandırmaz.

3. Segmente özel kişiselleştirme. Yüksek sıklıklı, düşük marjlı bir müşteriyle düşük sıklıklı, yüksek marjlı bir müşteriyi aynı şekilde ele almak, pazarlama harcamasını her ikisinde de israf eder.

Sıkça Sorulan Sorular

İyi bir müşteri yaşam boyu değeri nedir?

Evrensel bir sayı yok. Önemli olan CLV/CAC oranı; 3:1’in altındaki bir oran genellikle göründüğünden daha pahalı bir büyüme modeline işaret eder.

CLV, LTV’den farklı mı?

İkisi de aynı metrik. LTV, SaaS ve abonelik işletmelerinde daha yaygın kullanılan kısaltma; CLV ise perakende ve finansal hizmetler yazınında daha sık karşımıza çıkıyor.

CLV, churn’ü tahmin edebilir mi?

Doğrudan değil, ama ikisi yakından bağlantılı. BG/NBD gibi öngörülü CLV modelleri, yan ürün olarak her müşteri için bir “aktif olma olasılığı” üretir; bu da fiilen bir churn sinyalidir.

CLV ne sıklıkla yeniden hesaplanmalı?

Satın alma davranışı hızlı değişen işletmeler için üç ayda bir makul. Çoğu bankacılık ürünü gibi yavaş ilerleyen ilişkilerde ise yılda bir yeterli olur; churn skorlaması arada daha sık çalıştırılabilir.

Hazırlayan: GTech Veri Bilimi Ekibi

The post Müşteri Yaşam Boyu Değeri (CLV): Formül ve Öngörülü Modeller appeared first on GTech.

Bir müşteri hesabını kapatmadan bankasını neredeyse tamamen terk edebilir. Maaşı başka bir bankaya taşınır, tasarrufu bir fintech uygulamasına kayar, kredi kartı harcamaları rakip bir bankanın kartına geçer, ama o eski hesap, birkaç yüz liralık bakiyesiyle sistemde açık kalmaya devam eder. Bankacılık sektöründe buna sessiz churn (silent attrition) deniyor: müşterinin hesabını resmen kapatmadan bankayla olan ekonomik ilişkisini fiilen sonlandırması. Raporlanan churn rakamlarının büyük kısmı bunu görmüyor.

Bu davranış, klasik “müşteri hesabını kapattı” tanımına uymadığı için standart raporlarda kayıp olarak görünmez. Ama gelir tablosuna etkisi gerçek: bakiyeler küçülür, işlem hacmi düşer, çapraz satış fırsatları kaybolur. Bu yazıda sessiz churn’ün ne olduğuna, bankaların onu neden gözden kaçırdığına, hangi sinyallerle tespit edilebileceğine ve bunun bir skorlama pratiğine nasıl dönüştürülebileceğine bakıyoruz.

Sessiz Churn Nedir?

Açık churn (explicit churn) net bir olaydır: müşteri hesabını kapatır, kartını iptal eder, formu imzalar. Ölçmek kolaydır çünkü sistemde tarihli, tek bir işlemdir. Bir bankanın CRM’inde bu olay anında görünür, raporlanır, aylık churn oranına eklenir.

Sessiz churn tamamen farklı çalışır. Müşteri ilişkiyi resmen sonlandırmaz, sadece küçültür. Maaş hesabı başka bankaya taşınır ama eski hesap bakiye tutmak için açık bırakılır. Yatırım ürünleri bir fintech’e kayar. Kredi kartı harcaması rakip bir karta geçer. Geriye kalan, sistemde “aktif” görünen ama ekonomik olarak boşalmış bir hesap ilişkisidir. Örnek olarak, geçmişte maaş hesabı, kredi kartı ve yatırım hesabı olan bir müşterinin, birkaç yıl içinde geriye sadece küçük bir bakiye tutan pasif bir vadesiz hesap bırakması; bu kavramsal bir senaryo, ama sektör kaynaklarında sık tekrarlanan bir örüntüye karşılık geliyor.

Sektörde bu davranışa bazen “sessiz switching” ya da doğrudan “sessiz churn” de deniyor; İngilizce kaynaklarda en sık kullanılan terim silent attrition. Ortak nokta hep aynı: müşteri hâlâ “aktif müşteri” sayılırken, bankayla olan ekonomik ilişkisi çoktan zayıflamış oluyor. Hesap açık, ama ilişki fiilen bitmiş.

Açık churn tek bir olaydır; sessiz churn aylara yayılan bir süreçtir.

Bankalar Bunu Neden Gözden Kaçırıyor?

Sorunun kökü, ölçüm yöntemi. Bankaların çoğu churn’ü tek bir toplu (blended) oranla takip ediyor: dönem içinde kapanan hesap sayısı bölü toplam hesap sayısı. Standart formül şu: (dönem içinde kaybedilen müşteri sayısı / dönem başındaki toplam müşteri sayısı) x 100. Bu hesap, sadece hesabını fiilen kapatan müşterileri sayıyor; bakiyesi eriyen ama hesabı açık bırakan müşteri payda dışında kalıyor.

Bu toplu bakış, kohort bazındaki farklılıkları da maskeliyor. Genç müşteri segmentleri bankalarını çok daha aktif şekilde sorguluyor ve alternatif değerlendiriyor; yaşlı kohortlar ise toplam oranı sabit tutuyor. Sonuç, yönetim panosunda “her şey normal” görünürken, en değerli büyüme segmentinde ciddi bir kayma yaşanabiliyor.

İkinci sorun, verinin nerede durduğu. Hesap açık kaldığı sürece çoğu CRM ve raporlama sistemi o müşteriyi “aktif” olarak işaretlemeye devam eder. Bakiyenin düşmesi, işlem sıklığının azalması, dışarıya düzenli para transferi gibi sinyaller ayrı ayrı tablolarda durur; birleştirilip yorumlanmadıkça hiçbir alarm tetiklenmez. Kredi ekibi bir tabloya, dijital kanal ekibi başka bir tabloya, şube operasyonu üçüncü bir tabloya bakar; hiçbiri tek başına resmin bütününü görmez.

Üçüncü sorun ise organizasyonel. Sessiz churn, tanım olarak hiçbir departmanın “sorumluluğunda” değildir; hesap kapanmadığı için kayıp/elde tutma ekibinin radarına girmez, bakiye küçüldüğü için de satış ekibinin önceliği olmaz. İki ekip arasındaki bu boşluk, sorunun yıllarca fark edilmeden büyümesine izin verir.

Rakamlar Ne Söylüyor?

Sektör verileri, bankacılıkta yıllık müşteri kaybının %15 ile %25 arasında değiştiğini gösteriyor; ilk altı ayı geçmemiş hesaplarda bu oran üç katına kadar çıkabiliyor. Bu rakamlar ABD pazarına ait ve yalnızca fiilen kapanan hesapları kapsıyor; dormant hesaplar da dahil edilse tablo muhtemelen daha da kötü görünürdü.

Etkisi somut bir örnekle daha net anlaşılıyor: 50 milyar dolarlık aktif büyüklüğe sahip bir ABD bankasında, churn oranındaki her 1 puanlık artış yıllık net faiz gelirinde yaklaşık 12 milyon dolarlık kayba karşılık gelebiliyor. Türkiye ölçeğine indirildiğinde bile, orta ölçekli bir bankanın bilançosunda bu tür bir kaymanın bütçe planlamasını doğrudan etkileyeceği açık; oranlar farklı olsa da mekanizma aynı: küçülen bakiye, düşen faiz geliri, kaybedilen çapraz satış potansiyeli.

Bir bankacılık danışmanının anlattığı tek bir vaka, meselenin büyüklüğünü daha iyi gösteriyor. 10 milyar dolarlık bir ABD kurumunda yapılan analizde, müşterilerin %64’ünün, bankanın da sunduğu bir ürün kategorisinde başka bir kurumda hesabı olduğu görülmüş; bu grubun %30’undan fazlasının üç veya daha fazla mevduat ilişkisi başka yerde bulunmuş. İşlem verisine bakıldığında, müşterilerin %37’sinin her ay düzenli olarak rakip bir kuruma para transferi yaptığı ortaya çıkmış (bir fatura ödemesi değil, doğrudan bir fon transferi). O kurumun raporlanan churn oranı %3’ün altındaymış; gerçek sessiz churn ise bundan kat kat büyükmüş. Bu, tek bir kurumun kendi verisiyle yaptığı bir analiz olduğu için genellenebilir bir sektör ortalaması değil; ama yöntem, başka bankalar için de tekrarlanabilir bir model sunuyor: mevcut ürün kategorilerinde harici ilişkileri ve düzenli dışa transferleri taramak.

Hangi Sinyallere Bakmalı?

Sessiz churn’ü yakalamak için özel bir teknoloji şart değil; bankanın zaten topladığı işlem verisine doğru soruları sormak gerekiyor. Pratikte işe yarayan sinyaller şöyle sıralanabilir.

Ortalama bakiye trendi. Tek bir düşük ay değil, birkaç aya yayılan sürekli düşüş; özellikle maaş/düzenli gelir girişi kesildiyse bu daha güçlü bir sinyaldir.

Dışa doğru düzenli transferler. Fatura ya da alışveriş ödemesi değil, düzenli aralıklarla aynı harici hesaba yapılan transferler. Bu davranış, o paranın başka bir kurumda tutulmaya başladığının en güçlü göstergesidir.

Ürün kullanımının daralması. Bir müşteri geçmişte kredi kartı, yatırım hesabı ve mevduat kullanıyorken, geriye sadece pasif bir vadesiz hesap kalması.

Dijital etkileşimin azalması. Mobil uygulama girişlerinin sıklığının düşmesi ya da belirli bir eşiğin (örneğin 60-90 gün) altına inmesi, özellikle diğer sinyallerle birlikte göründüğünde anlamlı hale gelir.

Çözülmemiş şikayetler. Bir şikayetin ardından kısa süre içinde işlem hacminde düşüş görülmesi, o şikayetin gerçekten çözülmediğinin dolaylı bir kanıtı olabilir.

Kohort bazlı kırılım. Genç, dijital-öncelikli segmentlerde, toplu ortalamadan çok daha yüksek çıkan sorgulama ve karşılaştırma davranışı.

Bu sinyallerin hiçbiri tek başına kesin bir kanıt değil. Bir müşterinin bakiyesi bir ay düşebilir, tek seferlik büyük bir harcama yapabilir, uygulamayı tatildeyken az kullanabilir. Ama aynı anda üç dört sinyal görülen bir müşteri, resmi churn tanımına henüz girmemiş olsa bile, aktif müdahale gerektiren bir risk profiline giriyor demektir.

Altı sinyalin hiçbiri tek başına yeterli değil; birlikte okunmaları gerekiyor.

Churn Riski ile Churn Oranı Aynı Şey Değil

Bu noktada bir terim karışıklığına da değinmek gerekiyor. Churn oranı, geçmişe bakan bir ölçüdür: belirli bir dönemde kaybedilen müşteri yüzdesini gösterir. Churn riski ise ileriye bakan bir tahmindir: bir müşterinin gelecekte churn edip etmeyeceğine dair bir olasılık skorudur. Sessiz churn tartışmasının kalbi tam da burada: bir banka sadece geçmişe bakan oranı takip ederse, henüz hesabını kapatmamış ama riski yüksek olan müşteriyi göremez. Riski öne çekmek, yukarıda sayılan davranışsal sinyalleri bir skora dönüştürmek demektir.

Grafik Analitiği Gerekli mi?

Sektördeki bazı yorumlar, sessiz churn’ü yakalamanın yolunun grafik analitiğine (graph analytics) geçmekten geçtiğini savunuyor: müşteri, ürün, kanal ve etkileşim verisini bir ilişki ağı olarak modelleyip standart tablo analitiğinin göremediği bağlantıları ortaya çıkarmak. Karmaşık, çok kurumlu ilişki örüntülerini haritalamak için bu yaklaşımın gerçek bir katkısı var; özellikle kurumsal/ticari bankacılıkta, bir şirketin birden çok banka ile karmaşık ilişkiler kurduğu durumlarda.

Ama perakende bankacılığın büyük kısmı için bu bir ön koşul değil. Yukarıda sayılan sinyallerin çoğu, zaten var olan işlem verisi bir veri ambarında doğru şekilde modellenip davranışsal göstergeler eklendiğinde, ayrı bir grafik veritabanı katmanı kurulmadan da tespit edilebilir. Asıl kritik nokta, verinin dağınık tablolarda kalmaması; tek bir tutarlı katmanda birleşip düzenli olarak skorlanması. Grafik analitiği, çok karmaşık kurumsal müşteri ağları için sonraki bir adım olabilir, ama başlangıç noktası değil. Çoğu banka için öncelik, önce mevcut DWH/BI altyapısındaki dağınık sinyalleri birleştirmek olmalı.

Skorlama Pratiğine Dönüştürmek: Dört Adım

Sinyalleri tespit etmekle bunları operasyonel bir sürece dönüştürmek farklı şeyler. Pratikte dört adımlı bir yaklaşım işe yarıyor.

Birinci adım, veri birleştirme. Bakiye, işlem, dijital kanal ve şikayet verisinin aynı katmanda, aynı müşteri kimliği altında görünür olması gerekiyor. Bu adım genellikle en çok zaman alan ama en kritik olanı, çünkü sonraki hiçbir analiz dağınık veriyle sağlıklı çalışmaz.

İkinci adım, davranışsal göstergelerin tanımlanması. Yukarıdaki altı sinyal bir başlangıç noktası olabilir; her banka kendi müşteri tabanına göre eşik değerlerini (örneğin “%20 bakiye düşüşü” ya da “90 gün girişsizlik”) kalibre etmeli.

Üçüncü adım, skor eşiği ve önceliklendirme. Her sinyal ayrı ayrı değil, birlikte değerlendirilmeli; birden fazla sinyalin aynı anda görüldüğü müşteriler önceliklendirme listesinin başına çıkmalı.

Dördüncü adım, aksiyonun tetiklenmesi. Skor belirli bir eşiği geçtiğinde, bu bilginin CRM’e veya kampanya yönetim sistemine otomatik olarak düşmesi gerekiyor; aksi halde tespit, hiçbir zaman bir müdahaleye dönüşmeyen bir rapor olarak kalır.

Tespit ile aksiyon arasındaki boşluğu kapatan dört adım.

Kısa Bir Senaryo: Skorlama Pratikte Nasıl Görünür?

Yukarıdaki dört adımın nasıl işlediğini görmek için kurgusal bir örnek üzerinden gidelim: bu, gerçek bir müşteri verisi değil, kavramsal bir senaryo.

Bir bankanın müşterisi olan Ayşe Hanım’ı ele alalım. Üç yıl önce maaş hesabı, bir kredi kartı ve küçük bir yatırım hesabı bulunuyordu. Son sekiz ayda üç şey değişti: maaş girişi hesaba düzenli olarak düşmeye devam etti, ama her ayın başında sabit bir tutar başka bir bankaya transfer edilmeye başladı; yatırım hesabındaki bakiye sıfırlandı; mobil uygulamaya giriş sıklığı ayda on kereden iki kereye düştü.

Tek başına bakıldığında bu değişikliklerin her biri makul bir açıklaması olabilir: belki yatırımını başka bir araca kaydırdı, belki uygulamayı daha az kullanıyor çünkü işlemlerini şubede hallediyor. Ama üç sinyal birlikte değerlendirildiğinde (düzenli dışa transfer, ürün kullanımının daralması, düşen dijital etkileşim) ortaya çıkan tablo, Ayşe Hanım’ın bankayla olan ekonomik ilişkisini kademeli olarak başka bir kuruma taşıdığına işaret ediyor. Hesabı hâlâ açık, kartı hâlâ aktif; resmi churn tanımına hiç girmeyecek. Ama skorlama modeli bu üç sinyali birleştirip bir eşiğin üzerine çıkardığında, ilgili ekip bu müşteriyle iletişime geçip elde tutmaya yönelik bir teklif sunma şansına sahip oluyor; hesap kapandıktan sonra bu şans zaten yok.

Bu örnek, sinyallerin neden tek tek değil birlikte okunması gerektiğini gösteriyor. Aynı zamanda neden otomasyonun şart olduğunu da gösteriyor: bir analist, binlerce müşterinin işlem geçmişini elle tarayıp bu türden örüntüleri fark edemez; bunu sistematik hale getiren bir skorlama katmanı gerekiyor.

Türkiye ve Fin Pazarları İçin Ne Anlama Geliyor?

Türkiye’de dijital bankacılık uygulamalarının ve fintech alternatiflerinin hızla yaygınlaşması, mevduat ve harcama ilişkisinin parçalanma riskini artırıyor. Bir müşterinin ana bankasında maaş hesabını tutarken, tasarruf ya da yatırım işlemlerini ayrı bir uygulamaya kaydırması artık teknik olarak çok daha kolay; bu da sessiz churn’ün önümüzdeki dönemde daha sık görülen bir örüntü haline gelme olasılığını yükseltiyor.

Finlandiya gibi dijital bankacılığın çok daha köklü olduğu pazarlarda ise tablo tam tersinden okunabilir: müşteriler onlarca yıldır aynı bankada kalmaya eğilimli, ama paralelinde birden fazla dijital sağlayıcıyla ilişki kurmaları da normalleşmiş durumda. Her iki pazarda da ortak payda aynı: hesabın açık kalması, ilişkinin sağlıklı olduğu anlamına gelmiyor. Ölçüm metodolojisi bunu yakalayacak şekilde kurulmadıkça, iki pazarda da aynı kör nokta oluşuyor.

Ne Yapılmalı?

Tespit tek başına yeterli değil, sinyali aksiyona çevirmek gerekiyor. Sektörde işe yaradığı görülen yaklaşımlar dört başlıkta toplanabilir.

Birincisi, ödül ve sadakat programlarını sadece bakiyeye göre değil, etkileşime göre tasarlamak. Bir müşteriyi yalnızca “yüksek bakiye” üzerinden ödüllendirmek, bakiyesi zaten kayan bir müşteriyi fark etmeyi geciktirir.

İkincisi, şikayet ve geri bildirim kanallarını çözülmemiş sorunların erken uyarı sistemi olarak kullanmak. Bir müşteri şubede ya da çağrı merkezinde şikayet ettiğinde, bu genellikle sessiz churn sürecinin görünür hale geldiği ilk andır; sorun bu noktada çözülmezse müşteri sessizce uzaklaşmayı seçiyor.

Üçüncüsü, raporlamayı toplu orandan kohort bazlı panoya taşımak. Genç, dijital-öncelikli ve yeni açılmış hesap segmentlerini ayrı izlemek, toplu ortalamanın gizlediği erken uyarıları görünür kılıyor.

Dördüncüsü, tespit ile aksiyon arasındaki süreyi kısaltmak. Bir müşteri risk skorunda üst sıraya çıktığında, ilgili ekibe bilginin günler içinde değil, mümkünse gerçek zamanlı ya da haftalık döngüde ulaşması gerekiyor; aradaki gecikme ne kadar uzarsa, müdahale şansı o kadar azalıyor.

Kapanış

Sessiz churn, bankacılıkta görünmeyen ama gerçek bir gelir kaybı kaynağı. Sorunun büyüklüğü tahmin edilenden fazla olabilir, çünkü standart churn metrikleri onu yapısal olarak göremiyor. Çözüm, yeni bir teknoloji kategorisi kurmaktan değil, zaten toplanan işlem verisini doğru sinyallerle okuyan bir veri altyapısından geçiyor. GTech Symphony Analytics’in Öngörülü Kayıp (Churn) Yönetimi modülü, bu tür davranışsal riskleri hesap kapanmadan önce skorlayarak bankalara proaktif müdahale için zaman kazandırıyor.

Sessiz churn’ü yönetmek isteyen bir banka için ilk adım yeni bir araç satın almak değil, mevcut veri kaynaklarının nerede durduğunu haritalamak. Bakiye, işlem, dijital kanal ve şikayet verisi zaten toplanıyor; eksik olan genellikle bu verilerin birbiriyle konuşacağı ortak bir katman. Bu katman kurulduğunda, yukarıda anlatılan sinyaller otomatik olarak akmaya başlıyor ve elde tutma ekipleri artık hesap kapandıktan sonra değil, kapanmadan önce devreye girebiliyor. Kısacası, sessiz churn bir teknoloji sorunu değil, öncelik sorunu; önceliği doğru yere koyan bankalar, bu görünmeyen kaybı görünür hale getirmeyi başarıyor.

İlgili GTech kaynağı: Symphony Analytics: Öngörülü Kayıp (Churn) Yönetimi

İlgili GTech kaynağı: Veri Bilimi Nedir, Veri Bilimi Teknikleri Nelerdir?

Kaynakça

Parloa, 8 bank churn reduction strategies that work in 2026

Bank Director, Patching Your Leaky Bucket: How Banks Can Address Silent Churn (19 Mart 2024)

The Financial Brand, How to Uncover Hidden Pain Points that Cripple Customer Retention (28 Kasım 2025)

Banking Transformed podcast (Evergreen Podcasts), The Silent Attrition Crisis in Banking (8 Mayıs 2026)

PriceWeber, Silent Attrition: 5 Ways Primary Banks Can Combat the Threat (21 Ekim 2025)

The Financial Brand, Acting on ‘Silent Attrition’ Is Key to Customer Loyalty in Banking (24 Nisan 2023)

Hazırlayan: GTech Veri Bilimi Ekibi

The post Sessiz Churn: Hesap Kapanmadan Kaybedilen Müşteriler appeared first on GTech.

Ödülü, 12 Mayıs 2026’da düzenlenen törende GTech Kurucu Ortağı ve CEO’su Mine Taşkaya ile Yönetici Ortak Gürhan Taşkaya aldı.

Doğu Afrika açılımı

GTech, Türkiye’de edindiği derin bankacılık bilgi birikimini küresel pazarlara taşıma vizyonu doğrultusunda Dubai ve Bakü’nün ardından Doğu Afrika bölgesinde de faaliyet göstermeye başladı. Bölgedeki finansal ekosistemin dijital dönüşümüne yönelik çalışmalar, şirketin bölgesel büyümesinde belirleyici oldu.

The post Doğu Afrika Büyüme Stratejimize Business Honors Awards 2026’da Ödül appeared first on GTech.

The post Bank of Kigali, GenAI Dönemi İçin Veri Altyapısını GTech’in Symphony Analytics Çözümüyle Kuruyor appeared first on GTech.

The post Finans Sektöründe GenAI ve Symphony ile Dönüşüm appeared first on GTech.

The post İnovasyonu Konuşmayı Bırakıp Yaşama Zamanı appeared first on GTech.

The post Sigorta Sektöründe Dijital Devrim: Yapay Zekâ ve Büyük Veri Odaklı Gelecek appeared first on GTech.