Bilişim sektöründe finansal başarısızlığın makine öğrenmesi yöntemleri ile tahmini

Abstract

Bilişim şirketleri, günümüzde hızla gelişen teknoloji sektöründe büyük bir öneme sahiptir. Bilgisayar, yazılım, telekomünikasyon, internet ve diğer dijital teknolojik hizmetler üzerine faaliyet gösteren bilişim şirketleri, inovasyon, veri işleme, iletişim ve dijital dönüşüm gibi alanlarda öncü rol oynamaktadır. Bu şirketler, iş dünyasında büyük bir etki oluşturmakta, katma değerli ürünler üreterek ülke ekonomisine katkıda bulunmaktadırlar. Şirketler her zaman başarılı olmayıp başarısız olduğu dönemler de olmaktadır. Bir şirketin finansal performansının beklenen veya istenen düzeyde olmadığı durumlarda oluşabilir. Bu durum, şirketin gelirleri, karlılığı, nakit akışı, borçluluk durumu ve diğer finansal göstergelerinin de olumsuz yönde etkilendiği kabul edilmektedir. Finansal başarısızlık, şirketin sürdürülebilirliğini, büyüme potansiyelini ve rekabetçiliğini olumsuz etkileyebilmektedir. Bilişim şirketlerinin finansal başarısızlığı, şirketlerin sektördeki; rekabet, teknolojik değişimler, müşteri talepleri, maliyetler, yönetim hataları ve diğer faktörlerle ilişkilidir. Bu nedenle, finansal başarısızlığı önceden tahmin etmek ve önlemek, şirketlerin sürdürülebilirliklerini sağlamak ve mali riskleri yönetmek için önemlidir. Bu doğrultuda makine öğrenmesi yöntemleri, büyük yığın veri kullanarak finansal başarısızlığı tahmin etmek için güçlü bir araç sunar. Bu yöntemler, finansal verileri analiz ederek, örüntüleri tanımlayarak ve risk faktörlerini belirleyerek şirketlerin finansal başarısızlık olasılığını tahmin etmeye yardımcı olur. Bu tahminler, şirketlerin erken aşamada önlem almasına ve uygun stratejileri geliştirmesine yardımcı olup finansal başarısızlık riskini azaltabilir. Bu çalışma, BİST'te işlem gören 29 bilişim şirketine ait finansal tablolar esas alınarak finansal başarısızlığı tahmin etmek için Karar Ağaçları, Lojistik Regresyon, Yapay Sinir Ağları, Destek Vektör Makinesi, Rastgele Orman ve Naive Bayes yöntemlerini kullanarak çeşitli analizler gerçekleştirilmiştir. Elde edilen sonuçlar, makine öğrenmesi yöntemlerinin finansal başarısızlığı tahmin etmede etkili bir araç olduğunu göstermiştir. Rastgele Orman yöntemi en yüksek doğruluk değeri (97,52%) ile öne çıkarken, Destek Vektör Makinesi yöntemi de (94,30%) başarılı sonuçlar elde etmiştir. Diğer yöntemlerin başarı değerleri: Karar Ağacı (89,48%), Yapay Sinir Ağları (90,79%), Lojistik Regresyon(82,75%) ve Naive Bayes(66,81%) şeklindedir. Bu bulgular, bilişim şirketlerinin finansal başarısızlığını önceden tahmin etmenin mümkün olduğunu ve makine öğrenmesi yöntemlerinin bu konuda değerli bir araç olduğunu göstermektedir. Bu çalışma, bilişim şirketlerinin stratejik kararlarını desteklemek, mali riskleri azaltmak ve sürdürülebilirliklerini sağlamak için daha fazla araştırmanın yapılmasını teşvik etmektedir.

Information technology companies have great importance in the rapidly evolving technology sector today. Operating in the fields of computers, software, telecommunications, the internet, and other digital technological services, IT companies play a pioneering role in innovation, data processing, communication, and digital transformation. These companies have a significant impact on the business world, creating value-added products and contributing to the country's economy. However, companies can also experience periods of failure. When a company's financial performance is not at the expected or desired level, it can be considered as a case of failure. This situation is assumed to have a negative impact on the company's revenues, profitability, cash flow, debt situation, and other financial indicators. Financial failure can adversely affect a company's sustainability, growth potential, and competitiveness. The financial failure of IT companies is related to factors such as competition in the industry, technological changes, customer demands, costs, management errors, and other factors. Therefore, predicting and preventing financial failure in advance is important for ensuring the sustainability of companies, managing financial risks, and developing appropriate strategies. In this regard, machine learning methods provide a powerful tool for predicting financial failure by using large datasets. These methods help predict the likelihood of financial failure for companies by analyzing financial data, identifying patterns, and determining risk factors. These predictions can assist companies in taking early action, developing appropriate strategies, and reducing the risk of financial failure. This study utilized Decision Trees, Logistic Regression, Artificial Neural Networks, Support Vector Machine, Random Forest, and Naive Bayes methods to predict financial failure based on the financial statements of 29 IT companies listed on BİST (Borsa Istanbul). The results showed that machine learning methods are effective tools for predicting financial failure. The Random Forest method stood out with the highest accuracy value (97.52%), while the Support Vector Machine method also achieved successful results (94.30%). The accuracy values of the other methods were as follows: Decision Tree (89.48%), Artificial Neural Networks (90.79%), Logistic Regression (82.75%), and Naive Bayes (66.81%). These findings demonstrate that it is possible to predict the financial failure of IT companies in advance and that machine learning methods are valuable tools in this regard. This study encourages further research to support the strategic decisions of IT companies, reduce financial risks, and ensure their sustainability.