Smart-Debt-Collection-Strategy-Agent

N Kolay Ödeme Kuruluşu A.Ş. stajım sırasında geliştirdiğim reinforcement learning odaklı borç tahsilat stratejisi prototipi

Genel Bakış

Smart-Debt-Collection-Strategy-Agent, borç tahsilat sürecini kural tabanlı değil, durum bazlı karar alan bir ajan perspektifiyle ele almak için geliştirildi. Proje, farklı borçlu profilleri için hangi aksiyonların hangi koşullarda daha uygun olabileceğini reinforcement learning yaklaşımıyla modellemeyi amaçlıyor.

Çalışmanın Kapsamı

Katman	İçerik
Veri Üretimi	sentetik borçlu / müşteri profilleri
Ortam Tasarımı	özel Gymnasium environment
Aksiyon Modeli	ajan karar seti
Ödül Mekanizması	tahsilat başarısını yansıtan reward mantığı
Eğitim	DQN tabanlı agent training
Değerlendirme	tekrar eden episode'lar üzerinde performans analizi

Dosya Bazlı Yapı

DataFrame.py

Simülasyonda kullanılacak sentetik veri ve profil mantığını oluşturan bölüm.

debt_collection_env.py

Projenin merkezindeki özel environment tanımı. Gözlem uzayı, aksiyonlar ve ödül mekanizması burada kuruluyor.

train.py

Stable-Baselines3 kullanılarak DQN ajanını eğiten ana akış.

evaluate.py

Eğitilmiş ajanın davranışını test eden ve episode bazlı sonuçları inceleyen değerlendirme bölümü.

Repo Yapısı

Smart-Debt-Collection-Strategy-Agent/
|-- DataFrame.py
|-- debt_collection_env.py
|-- train.py
|-- evaluate.py
|-- requirements.txt
`-- README.md

Kullanılan Teknolojiler

• Python
• Gymnasium
• Stable-Baselines3
• DQN
• reinforcement learning