Amaç: İşletmeler zaman zaman finansal başarısızlık/iflas durumu ile karşı karşıya kalmaktadır. Finansal başarısızlığın öngörülebilmesi ile işletmelerin erken aksiyon almalarının sağlanabileceği değerlendirilmektedir. Literatürde bu amaç için yapılmış birçok çalışma bulunmaktadır. Bu çalışmada finansal başarısızlığın tespiti üzerine makine öğrenmesi tabanlı bir uygulama yapılmıştır Yöntem: Türkiye’de 2010-2018 yılları arasında Makine ve Ekipman İmalatı Sektöründe faaliyet gösteren işletmeler çalışma kapsamında tutulmuştur. İlk olarak, işletmeler finansal başarı durumlarına göre İzolasyon Ormanı Yöntemi kullanılarak etiketlenmiştir. Daha sonra, dengesiz veri problemini ortadan kaldırmak için yeniden örnekleme yöntemleri ile veri ön işleme adımı gerçekleştirilmiştir. Yeniden örnekleme yöntemi ile elde edilen üç farklı veri setine son yıllarda sıklıkla kullanılan XGBoost modeli uygulanmış ve model başarıları karşılaştırılmıştır. Bulgular: Yeniden örnekleme yöntemlerinden biri olan SMOTE yöntemi ile oluşturulan veri seti üzerinde kurulan XGBoost modelinin %78 doğru sınıflandırma oranıyla en iyi tahmin gücüne sahip model olduğu belirlenmiştir. Özgünlük: Çalışmada diğer çalışmaların aksine finansal başarısızlığa uğrayıp uğramadığı bilinmeyen işletmeler üzerinde çalışılmıştır. Öncelikle işletmelerin finansal başarısızlık durumlarına ilişkin tahminde bulunulmuş sonrasında ise yeniden örnekleme yöntemleri kullanılmıştır.
Purpose: Businesses are faced with financial failure/bankruptcy from time to time. It is considered that by predicting financial failure, it is possible for businesses to take early action. There are many studies in the literature for this purpose. In this study, a machine learning-based application was made on the detection of financial failure. Method: The enterprises operating in the Machinery and Equipment Manufacturing Sector in Turkey between the years 2010-2018 were included in the study. First, businesses were labeled according to their financial success using the isolation forest method. Then, the data preprocessing step was carried out with resampling methods to eliminate the unbalanced data problem. The XGBoost model, which has been used frequently in recent years, was applied to three different data sets obtained by the resampling method and the model successes were compared. Results: It was determined that the XGBoost model built on the data set created by the SMOTE method, which is one of the resampling methods, has the best predictive power with a 78% correct classification rate. Originality: Contrary to other studies, in the study, it was studied on businesses whose financial failure was unknown. First of all, the estimation of the financial failures of the enterprises was made and then resampling methods were used.
