Sepetinizde ürün bulunmuyor.
Konut Kredisi Taksitlerini Düşürün!
23 Ocak 2026
Bu yazıda, makine öğrenmesinin konut fiyatlarını tahmin etmedeki rolü, akademik bir makale üzerinden inceleniyor. Makine öğrenmesi, konutun büyüklüğü ve konumu gibi çok sayıda özelliği analiz ederek geleceğe yönelik isabetli fiyat öngörüleri sunar. Prof. Dr. Ali Hepcan’ın çalışması bu potansiyeli gösterse de, Türkiye’deki en büyük engelin güvenilir ve erişilebilir veri eksikliği olduğu vurgulanıyor. Veri altyapısı kurulduğunda bu teknoloji, ekonomik öngörülerden yatırımcı kararlarına kadar sektöre önemli faydalar sağlayabilir.
Gayrimenkul Okulu olarak, akademi ile gayrimenkul piyasasını buluşturduğumuz yeni bir seriye başlıyoruz. Bu seride, akademik dünyada hazırlanan bilimsel makalelerin Türkiye’deki uygulamalarını ve piyasa için ne anlama geldiğini ele alacağız. Serimizin ilk bölümünde, Profesör Doktor Ali Hepcan’ın da ortak yazarı olduğu “Makine Öğrenmesiyle Konut Fiyatlarının Tahmini” başlıklı makaleyi inceliyoruz. Bu yayınımızda hem konut piyasasının güncel dinamiklerini hem de akademik çalışmaların sektöre nasıl ışık tuttuğunu konuşacağız.
Akademik yayınlar; sanayi, özel sektör ve politika yapıcılar için yol gösterici bir kılavuz niteliği taşır. Bu çalışmalar, mevcut veri setlerinin nasıl doğru kullanılabileceğini ortaya koyarak karar vericilere önemli bir destek sunar. Türkiye’de akademik çalışmaların ne kadar değerlendirildiği bir tartışma konusu olsa da, bu yayınların temel amacı, bilimsel yöntemlerle sektöre yön vermektir.
Konut fiyatlarının ve geleceğe yönelik tahminlerin önemi, özellikle 2008 küresel finans krizi sonrasında daha net anlaşıldı. O döneme kadar bir ekonomik girdi olarak kabul edilen konut fiyatları, krizin ardından finansal istikrar için bir öncü gösterge olarak değerlendirilmeye başlandı. Bank of International Settlements (BIS) ve OECD gibi kurumlar, ülkelerin kendi konut fiyat endekslerine sahip olmalarının gerekliliğini vurguladı.
Bu süreç, Türkiye’de de Merkez Bankası’nın değerleme raporlarına dayalı konut fiyat endeksini oluşturmasını sağladı. Ancak bu endeksler, geçmiş ve anlık verileri yansıtırken, piyasaların dinamik yapısı geleceğe yönelik öngörülerde bulunmayı zorunlu kılıyor. İşte bu noktada istatistik bilimindeki gelişmeler ve makine öğrenmesi gibi teknolojiler devreye giriyor.
Makine öğrenmesi, büyük veri setlerini kullanarak fiyat tahmin süreçlerini daha isabetli hale getirmeyi amaçlayan bir yöntemdir. Sistem, bir konutu tanımlayan çok sayıda değişkeni (nicel özellikler) analiz eder. Örneğin:
Model, bu 15 gibi çok sayıda değişken ile konutun değeri arasındaki ilişkiyi geçmiş verilerden öğrenir. Bu öğrenme sürecinin ardından, yeni verilerle geleceğe yönelik fiyat tahminleri veya belirli bir konut için değer olasılıkları üretebilir. Bu yöntemin başarısı, eldeki verinin kalitesine ve geçmişi ne kadar kapsadığına bağlıdır.
Prof. Dr. Ali Hepcan ve ekibinin 2020 yılında yayımladığı makale, bu alanda Türkiye’de yapılmış önemli çalışmalardan biridir. Çalışmanın detayları şöyledir:
Modelin doğruluğu için kullanılan verinin niteliği kritik öneme sahiptir. İdeal olan, tapuda gerçekleşen gerçek ve anlık satış verilerini kullanmaktır. Ancak Türkiye’de bu verilere erişim kısıtlıdır ve tapudaki beyanların her zaman gerçek değeri yansıtmadığına dair genel bir kanı mevcuttur. Bu nedenle çalışmada, temizlenmiş ilan verileri üzerinden bir modelleme yapılmıştır. Bu durum, akademisyenler için veri temizleme sürecini oldukça zahmetli hale getiren önemli bir zorluktur.
Gayrimenkul sektöründeki en temel sorunlardan biri, güvenilir, erişilebilir ve standart bir veri setinin bulunmamasıdır. Merkez Bankası endeksleri değerli olsa da, değeri etkileyen alt kırılımları ve detaylı özellikleri sunmaktan uzaktır. İlan sitelerinin elindeki veriler ise kamusal kullanıma açık değildir. Bu durum, hem akademik çalışmaların kapsamını daraltmakta hem de karar vericilerin sağlıklı analizler yapmasını zorlaştırmaktadır. Gelişmiş ülkelerde anlık tapu verilerine erişim mümkünken, Türkiye’de bu eksiklik yıllardır devam eden bir sorundur.
Doğru ve sürekli beslenen bir veri seti ile geliştirilecek makine öğrenmesi modelleri, birçok alanda fayda sağlayabilir:
Sonuç olarak, makine öğrenmesi gayrimenkul piyasasının geleceğini anlamak için güçlü bir araç sunmaktadır. Ancak bu potansiyelin tam olarak kullanılabilmesi, Türkiye’de kamusal nitelikte, şeffaf ve erişilebilir bir gayrimenkul veri altyapısının oluşturulmasına bağlıdır.
