Makine Öğrenmesi

Sesli asistanlardan ürün önerilerine kadar günlük hayatın pek çok köşesinde makine öğrenmesi teknolojileri çalışıyor. Ancak finans ekipleri için asıl önemli soru şu: Bu teknoloji, şirketin masraf ve harcama süreçlerinde somut olarak ne yapar? Fiş yığınlarını kim sınıflandırır, mükerrer girişi kim yakalar, gelecek çeyreğin bütçesini kim öngörür?

Bu rehberde makine öğrenmesinin temel kavramlarını kısaca özetleyip asıl odağı harcama yönetimine çeviriyoruz: kategori öğrenme, mükerrer tespit, anomali işaretleme ve tahminleme.

Makine Öğrenmesi Nedir?

Makine öğrenmesi, bilgisayar sistemlerinin açıkça programlanmadan verilerden öğrenmesini ve deneyimle performansını iyileştirmesini sağlayan bir yapay zeka alt dalıdır. Geleneksel yazılımda geliştirici kuralları tek tek yazar; makine öğrenmesinde ise sistem, kendisine sunulan örneklerden örüntüleri keşfederek kendi kurallarını oluşturur.

Stanford Üniversitesi'nden Arthur Samuel, 1959 yılında bu alanı şöyle tanımlamıştır: "Bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren çalışma alanı." Tanım bugün de geçerlidir. Temelde üç bileşen vardır: veri (öğrenilecek ham bilgi), algoritma (örüntüyü çıkaran yöntem) ve model (eğitim sonucunda tahmin üretebilen yapı).

Öğrenme Türleri: Kısa Bir Özet

Makine öğrenmesi üç ana yaklaşıma ayrılır. Her birini bir harcama yönetimi örneğiyle düşünmek, kavramları somutlaştırır:

• Denetimli öğrenme: Model, doğru cevabı bilinen etiketli örneklerle eğitilir. Binlerce fişin hangi masraf kategorisine ait olduğunu gören bir model, yeni bir fişi kendi başına sınıflandırmayı öğrenir.
• Denetimsiz öğrenme: Model, etiketsiz veride gizli grupları ve örüntüleri kendisi keşfeder. Şirketin harcama verisinde "normal" davranış kümelerini çıkarır; kümenin dışında kalan işlem dikkat çeker.
• Pekiştirmeli öğrenme: Sistem, deneme-yanılma ile ödülü en yükseğe çıkaran stratejiyi öğrenir. Günlük finans operasyonlarından çok robotik ve oyun gibi alanlarda öne çıkar.

Derinlemesine kuram bu yazının konusu değil; asıl soru, bu yaklaşımların masraf süreçlerinde nasıl işe koşulduğu.

Makine Öğrenmesi Harcama Yönetiminde Ne Yapar?

Bir şirkette her ay yüzlerce fiş, fatura ve masraf satırı üretilir. Bu hacmi elle işlemek hem yavaştır hem de hataya açıktır; masraf girişinin şirkete gizli bir zaman maliyeti vardır. Makine öğrenmesi tam bu noktada dört temel işi üstlenir.

1. Kategori Öğrenme: Fişten Doğru Masraf Kalemine

Denetimli öğrenmenin harcama yönetimindeki en yaygın karşılığı otomatik kategorilendirmedir. Model; satıcı adı, tutar, tarih ve açıklama gibi alanlardan yola çıkarak bir harcamanın yemek, ulaşım, konaklama veya temsil gibi kategorilerden hangisine ait olduğunu tahmin eder.

Burada kritik olan, modelin şirkete özgü öğrenmesidir. Aynı satıcı bir şirkette "müşteri ağırlama", diğerinde "ekip yemeği" olabilir. Finans ekibi bir düzeltme yaptığında model bu geri bildirimi öğrenir; zamanla düzeltme ihtiyacı azalır ve muhasebe kayıtları hesap planıyla tutarlı hale gelir.

2. Mükerrer Tespit: Aynı Fiş İki Kez Girilemez

Aynı fişin iki kez gönderilmesi çoğu zaman kötü niyet değil, dalgınlıktır; ama sonuç her iki durumda da şirketin fazladan ödeme yapmasıdır. Kural tabanlı kontroller yalnızca birebir aynı kayıtları yakalar. Makine öğrenmesi ise benzerlik üzerinden çalışır: tutarı aynı, tarihi bir gün kaymış, satıcı adı farklı yazılmış iki girişin aynı harcama olma ihtimalini puanlar ve şüpheli çifti incelemeye düşürür.

Bu yetenek, bilinçli suistimal senaryolarında da ilk savunma hattıdır. Konunun politika ve kültür boyutu için masraf suistimali yazımıza göz atabilirsiniz.

3. Anomali İşaretleme: Olağandışını Otomatik Yakalamak

Denetimsiz öğrenmenin sahadaki karşılığı anomali tespitidir. Model, şirketin geçmiş harcama verisinden departman, dönem ve çalışan bazında "olağan" davranışı öğrenir; bu örüntüden sapan işlemleri kendiliğinden işaretler:

• Alışılmış aralığın belirgin üzerinde bir harcama tutarı,
• Hafta sonu veya mesai dışında yoğunlaşan alışılmadık girişler,
• Bir kategoride aniden yükselen harcama sıklığı,
• Gider politikası sınırlarına sürekli çok yaklaşan kayıtlar.

Böylece finans ekibi her satırı tek tek kontrol etmek yerine yalnızca işaretlenen istisnalara odaklanır; denetim eforu azalırken politika uyumu güçlenir.

4. Tahminleme: Bütçe ve Nakit Akışını Öngörmek

Geçmiş harcama verisi yalnızca geriye dönük rapor için değil, ileriye dönük öngörü için de kullanılır. Regresyon temelli modeller; mevsimsellik, büyüme eğilimi ve departman davranışlarını birlikte değerlendirerek gelecek dönemin masraf seviyesini tahmin eder.

Bu öngörüler iki alanda doğrudan işe yarar: bütçe yönetiminde gerçekçi hedefler koymak ve dönem içi sapmaları erken görmek; nakit akışı planlamasında ise yaklaşan ödeme yükünü önceden bilerek likiditeyi doğru yönetmek.

Finans Ekipleri İçin Ne Anlama Gelir?

Bu dört yeteneğin ortak sonucu şudur: elle veri girişi ve satır satır kontrol azalır, finans ekibinin zamanı istisna yönetimine ve analize kayar. Kapanış süreçleri hızlanır, muhasebe kayıtlarının tutarlılığı artar, politika ihlalleri ödeme yapılmadan önce yakalanır. Makine öğrenmesi burada bir teknoloji hevesi değil, masraf operasyonunun ölçeklenmesini sağlayan bir altyapıdır.

Masraff'ta Makine Öğrenmesi

Masraff, bu yazıda anlatılan yetenekleri masraf yönetimi ürününün merkezine yerleştirir:

• Fiş ve fatura tanıma: Fişin fotoğrafından satıcı, tutar, tarih ve vergi bilgileri otomatik çıkarılır; çalışan elle veri girmez.
• Kategori öğrenme: Harcamalar şirketin hesap planına göre otomatik sınıflandırılır; ekip düzelttikçe model şirkete uyum sağlar.
• Mükerrer ve anomali kontrolü: Benzer girişler ile politika dışı veya olağandışı harcamalar onay akışında otomatik işaretlenir.
• Harcama görünürlüğü: Kategori, departman ve dönem bazında biriken veri, bütçe ve nakit planlamasına temel oluşturur.

Sonuç

Makine öğrenmesi; denetimli, denetimsiz ve pekiştirmeli öğrenme gibi kavramlarla anlatılan geniş bir alan. İş dünyası açısından değeri ise soyut tanımlarda değil, somut süreçlerde ortaya çıkıyor: fişin doğru kategoriye kendiliğinden gitmesi, mükerrer girişin ödeme öncesi yakalanması, olağandışı harcamanın anında işaretlenmesi ve gelecek dönemin öngörülebilir hale gelmesi.

Harcama süreçlerinizde bu yetenekleri görmek için Masraff'ın masraf yönetimi çözümünü inceleyebilir, ekibinize özel bir değerlendirme için bizimle iletişime geçebilirsiniz.