En uygun bankacılık hizmet modeli seçimi için bütünleşik çok kriterli karar verme yaklaşımı

Abstract

Bankacılık hizmet kanalları, tüketici tercihleri açısından bankacılık sektöründe önemli bir konuma sahiptir. Bankacılığın ilk günlerinden bugüne varlığını sürdüren ve fiziksel şubelere dayanan geleneksel bankacılık hizmet kanalları geçerliliğini korusa da, dijitalleşme süreçlerinin hızlı gelişimi ve buna bağlı olarak müşterilere sadece dijital kanallar üzerinden sunulan bankacılık hizmeti seçenekleri, bankacılık hizmetlerinde büyük değişimleri tetiklemektedir. Bu açıdan bakıldığında, tüketici tercihleri bağlamında geleneksel bankacılık hizmet modellerinin öneminin azaldığı söylenebilir. Çünkü dijital hizmet kanallarının sağladığı kolaylık, müşteriler için kilit bir noktadır. Bu noktada, dijital hizmet kanallarının güven faktörü, müşteriler için farklı bir bakış açısı olarak ortaya çıkmaktadır. Zira geleneksel modelde veri hırsızlığı ihtimali ve gizlilik endişeleri, yeni dijital bankacılık hizmet modellerine kıyasla daha azdır. Bu perspektifte, bu araştırmada yeni kurulan bir banka için en iyi hizmet modelinin seçimi incelenmiştir. Karar vericiler, bankacılık sektörü yöneticileri ve bir yapay zeka modeli olmak üzere iki gruba ayrılmıştır. İki grubun cevapları aynı yöntemlerle işlenmiş ve çalışmanın sonunda bu iki grubun sonuçları karşılaştırılmıştır. Bu bağlamda, en iyi seçeneğin belirlenmesindeki en önemli kriterler, karar vericilere göre kriter ağırlıklarının değişimi ve bankacılık sektörü yöneticileri ile yapay zeka modelinin yargılarının farklılığı, ilgili Çok Kriterli Karar Verme (ÇKKV) modeli sayesinde değerlendirilmiştir. Öncelikle, güven faktörünün müşteri tercihleri için çok önemli olması ve sermaye kaynağının değişiminin tüketici tercihlerini etkileyebilmesi nedeniyle, bankanın sermayesi özel sektör ve kamu sermayesi açısından dikkate alınarak olası seçenekler belirlenmiştir.Bu sınıflandırma Kamu Sermayeli ve Özel Sermayeli olarak yapılmıştır. Bu sınıflandırmaya ek olarak, seçenekler hibrit hizmet modeli ve dijital hizmet modeli olmak üzere iki kategoriye daha ayrılmıştır. Hibrit model hem fiziksel şubeleri hem de dijital şubeleri içeren hizmet modelini ifade ederken, dijital hizmet modeli internet bankacılığı şubesi ve mobil şube dahil olmak üzere sadece dijital kanallarla hizmet veren modeli temsil etmektedir. Bu doğrultuda; Özel Hibrit Hizmet Modeli, Özel Dijital Hizmet Modeli, Kamu Hibrit Hizmet Modeli ve Kamu Dijital Hizmet Modeli olmak üzere dört seçenek belirlenmiştir. Çalışmanın ikinci aşamasında, belirlenen parametreler dikkate alınarak bu seçeneklerin sıralanması için en iyi karar verme modelinin seçimi araştırılmıştır. Literatür incelendiğinde Çok Kriterli Karar Verme modellerinin bu çalışma için en iyi seçenekleri sunduğu görülmüştür. Çünkü bu çalışmada dört seçenek ve bu dört seçenekten en iyisini seçmek için kriterler bulunmaktadır ve çok kriterli karar verme modelleri doğru sonuçları elde etmek için en iyi çözümleri sunmaktadır. Literatür bu açıdan incelendiğinde, Analitik Hiyerarşi Süreci (AHS) diğer çok kriterli karar verme modelleri arasında öne çıkmaktadır. Böylece, kriter ağırlıklarının hesaplanması için Analitik Hiyerarşi Süreci seçilmiştir. Seçeneklerin sıralanması Analitik Hiyerarşi Süreci, ikili karşılaştırmaların elde edilmesiyle başlayan bazı adımları içerir. İkili karşılaştırma matrislerinde kullanılan bu değerler, bankacılık sektöründeki yöneticiler tarafından değerlendirilen anket yargılarıyla elde edilmiştir. Ayrıca, bankacılık sektörü yöneticilerinin ve yapay zekanın bakış açısı açısından nihai sonuçları karşılaştırmak amacıyla, bir yapay zeka modeli de aynı ikili karşılaştırma yargılarını yanıtlamıştır. Daha sonra, ikili karşılaştırma matrisi sayesinde normalizasyon matrislerinin hesaplanması, analitik hiyerarşi sürecinin ikinci aşamasını oluşturur. Normalizasyon sürecinde öncelikle her bir kriterin toplamı hesaplanır. Daha sonra, tüm değerler her bir kriter için bu toplama bölünür. Bu normalizasyon adımları, ana kriterlerle ilgili her bir alt kriter için yapılır. Ardından, özdeğerin bulunması için özvektör değerine ihtiyaç duyulur; çünkü özdeğer, değerlerin tutarlılık oranını kontrol etmek için gereklidir. Özvektör, matristeki her satırın ortalama değeri ile hesaplanır. Özvektör hesaplandıktan sonra, özvektör ve başlangıç matrisinin matris çarpımı sayesinde özdeğer hesaplanır. Bu doğrultuda en büyük özdeğer ve tutarlılık indeksi tespit edilir. En büyük özdeğer, ilgili özvektör ve özdeğer oranının toplanması ve bu toplamın kriter sayısına bölünmesiyle elde edilir. Tutarlılık indeksi ise, en büyük özdeğer ile kriter sayısı arasındaki farkın, kriter sayısının bir eksiğine bölünmesini içeren bir yöntemle hesaplanır. Bu hesaplamalar yapıldığında, tutarlılık oranını bulmak için literatüre dayalı rastgelelik indeksi ile tutarlılık indeksinin oranının bulunması geriye kalır. Araştırmaya devam edebilmek için değerlerin tutarlılığı gereklidir ve analitik hiyerarşi süreci çalışmalarıyla ilgili literatüre göre tutarlılık oranı için kabul edilebilir değer maksimum 0,1 olarak belirlenmiştir. Tutarlılık oranı hesaplandığında, bu çalışmanın tutarlılık oranının 0,07 değeriyle kabul edilebilir olduğu da görülmüştür. Ek olarak, ikili karşılaştırmaların normalizasyonu, özdeğer ve özvektör hesaplamaları, en büyük özdeğerin bulunması, tutarlılık indeksi ve tutarlılık oranı gibi tüm bu süreçler yapay zeka cevapları için de ele alınmıştır. Bu paralel hesaplamaların sonucunda, yapay zekanın tutarlılık oranı 0,08 olarak bulunmuş ve bu değerin de mevcut yapay zeka cevaplarıyla araştırmaya devam etmek için kabul edilebilir olduğu görülmüştür. Bu sürecin bir sonucu olarak, yapay zekanın ve sektörün deneyimli çalışanlarının bakış açılarının bazı temel noktalarda farklılık gösterdiği sonucuna varılabilir. Yapay zeka kamu girişimlerine yönelirken, ilgili sektörün profesyonelleri tercihlerini mülkiyet yapısından ziyade hizmet modeline veya girişimlerin işlevselliğine dayandırarak seçmektedir. Bu bilgilere dayanarak, hem müşteriler hem de şirketler için daha etkili ve daha kazançlı olacak ileri çalışmalar araştırılabilir.