Tarihsel Arka Plan. Son yıllarda BNPL (Buy Now Pay Later), kullanıcıların faizsiz taksitler ile ödeme yapmalarını sağlayarak perakendede fintech entegrasyonlarının standartı haline gelmiştir. Analistler, etik ve hukuki nedenlerden ötürü kredi onayında red işlemini uygulamanın mümkün olmaması ve kullanıcıların kredi yeterliliğine göre kendini seçmeleri nedeniyle temel bir sorunla karşılaşmaktadırlar. Bu, BNPL kullanımı ile yüksek harcama arasındaki gözlemlenen korelasyonun, ödenebilirlik kapasitesine sahip müşterilerin önceden var olan özelliklerinden kaynaklandığı klasik bir içsel neden olarak ortaya çıkar.
Sorunun Tanımı. Temel zorluklar, onay eşiğindeki (örneğin, 700 puan) karakteristiklerde ani bir kesilme, mevsimsellik (Kara Cuma, yılbaşı dönemi), gelecekteki satışların kanibalizasyonu (intertemporal substitution) ve ani satın alma davranışları nedeniyle iade oranlarındaki artışı içermektedir. Onay eşiğinde yer alan kullanıcılar için saf ek etkiyi (LATE — Local Average Treatment Effect) izole etmek ve karıştırıcı etkenlerin etkisini en aza indirmek gerekmektedir.
Detaylı Çözüm. Optimal yaklaşım, skorlama eşiğinde Sharp Regression Discontinuity Design (RDD) ile ±30-50 puanlık bir aralık belirlemektir. Metodoloji, kullanıcıların 695 ve 705 puanlarının gözlemlenen ve gözlemlenemeyen özellikleri açısından istatistiksel olarak ayırt edilemeyeceği varsayımına dayanmaktadır, ancak bu kullanıcılar farklı gruplara (kontrol ve tedavi) düşmektedir. Ek olarak, mevselliği kontrol etmek için, bu aralık içindeki dinamikleri izlemek için Difference-in-Differences (DiD) yöntemi uygulanmaktadır. Kanibalizasyonun değerlendirilmesi için, BNPL kullanılmadan önceki 3 ve 2 ay (t-3, t-2) harcamalar ile bir Event Study kullanılır. Eğer bir araç mevcutsa (onay eşiği), ancak kullanılmayan (onaylı ancak BNPL kullanmayan) durumlar varsa, Fuzzy RDD ile Two-Stage Least Squares (2SLS) karşılaştırılır. Değişkenlerin denge durumunu kontrol etmek (Covariate Balance Tests) ve dağılım yoğunluğunu kontrol etmek için (McCrary test) tasarımı doğrulamak önemlidir.
Bir elektronik pazaryeri, iç ölçeğinde 650 puanlık katı bir onay eşiği ile bir banka partnerinin BNPL sistemini entegre etmiştir. İşletme, BNPL kullanan kullanıcıların ortalama harcamasında %35’lik bir artış kaydederken, bunun daha varlıklı müşterilerin kendi kendini seçme etkisi olduğunu düşünmektedir. Kredi limitinin artırılması gerekti, ama gerçek sebepleri değerlendirmenin gerekli olduğu düşünüldü.
Seçenek 1: 'BNPL kullandı' ve 'kullanmadı' basit karşılaştırması.
Artılar: SQL’de gerçekleştirilmesi en basit olanı.
Eksiler: Seçim yanlılığı (selection bias) — onaylı kullanıcılar daha yüksek gelir ve alışveriş geçmişine sahiptirler, bu da üründen bağımsız olarak %40'a kadar abartılı etki değerlendirmelerine yol açar. Sonuç karar almak için uygunsuzdur.
Seçenek 2: Tüm kullanıcılar için Before-After analizi.
Artılar: Platformun genel büyüme eğilimlerini dikkate alır ve yorumu basittir.
Eksiler: BNPL etkisi, mevsimsel patlama (yılbaşı satışları) ve eş zamanlı pazarlama kampanyalarından ayrıştırılamaz. Değerlendirme, talepteki geçici şoklar nedeniyle yanlıdır.
Seçenek 3: 650 puanlık eşiği olan Regression Discontinuity Design (RDD) ±40 puan aralığında.
Artılar: Onay olasılığındaki keskin ayrımı doğal bir deney olarak kullanarak, yalnızca sınırda bulunan 'marjinal' kullanıcılar için etki değerlendirmesini yapar. Ölçülemeyen özellikler açısından yerel komşuluk için kontrol sağlamaktadır.
Eksiler: Sadece yerel etkiyi (LATE) değerlendirir ve bu, yüksek kredi skoru olan tüm kullanıcılar için kesin bir şekilde genelleştirilemez; istatistiksel güç için eşik komşuluğunda büyük bir örneklem gerektirir.
Seçilen Çözüm: 610-690 puan aralığındaki kullanıcılar için Sharp RDD ile geçmiş harcamalar ve satın alma kategorileri üzerinden Propensity Score Matching entegrasyonu; satıştan sonraki 90 gün boyunca dinamiklerin izlenmesi için Difference-in-Differences uygulaması. Mevselliği kontrol altına almak için haftalık sabit etkiler (Week Fixed Effects) getirilmiştir. Bu sayede, ürünün saf etkisi kredi yeterliliği özelliklerinden izole edilmiştir.
Sonuç: Marjinal kullanıcılar için ortalama harcamada %17’lik (ITT — Intent-to-Treat) istatistiksel olarak anlamlı bir artış gözlemlenirken, ani satın alma nedenleriyle iadelerde %11'lik bir artış gözlemlenmiştir. Etki heterojendir: elektronik için yüksek (+%24), temizlik ürünleri için sıfırdır. Verilere dayalı olarak, riskli ürün kategorileri için onay eşiği düzeltildi; bu da gelir kaybı olmadan iade oranını %4 oranında azalttı.
RDD kullanırken 'yenilik etkisi' (novelty effect) ile sürdürülebilir davranış değişimini nasıl ayırırsınız?
Dynamic RDD uygulanması ve etki analizi yapmak gerekmektedir; Tüm veri seti haftalara (kopyalar) ayrılarak değerlendirilmelidir. Eğer katsayılar önemli ölçüde farklıysa (en azından Chow test ile kontrol edilmelidir), yalnızca uzun vadeli periyodu veya tedavi ile zaman etkileşimi kullanmalıyız. Ayrıca, pre-trend parallel’i kontrol etmek — sonuçlarda (harcamalar) eşik geçilmeden önce farklılık olmaması, tasarımın geçerliliğini ve beklenti etkilerinin olmadığını doğrulayacaktır.
BNPL uygulamasında gelecekteki satışların kanibalizasyonunu (intertemporal substitution) düzgün bir şekilde nasıl değerlendirirsiniz?
Standart RDD, yalnızca satın alma anındaki statik etkiyi değerlendirir. Kanibalizasyonu değerlendirirken, BNPL'nin ilk kullanım anına göre gecikmeli ve öncü (lead/lag) Event Study çalışması ile analiz yapmak gerekir. t-3, t-2, t-1 (önce) ve t+1, t+2, t+3 (sonra) ayları arasında harcamaları değerlendiririz. Eğer öncü dönemlerdeki katsayılar negatif ve anlamlıysa, bu, gelecekteki harcamalara yönelik bir borç olduğunu gösterir (kullanıcı gelecekteki bir satın almayı planlamış ve BNPL sayesinde hızlandırmıştır). Jordà'nın yerel projeksiyonlar yöntemini kullanarak dinamik çarpanları değerlendirmek gerekebilir, bu da uzun vadeli saf ek etkiyi değerlendirmeye olanak tanıyabilir.
Basit eşleştirme (Propensity Score Matching) yapmadan RDD kullanmanın uygun olup olmadığını ve hangi varsayımların ihlal edildiğini açıklayınız?
PSM , ölçülemeyen karakteristiklerin onay üzerinde etkisi olduğunda geçerli olmayan Unconfoundedness (Ignorability) varsayımını gerektirir (örneğin, „finansal disiplin“, puanlama sistemine girmeyen gayri resmi gelir kaynakları). Bu gizli değişkenler hem onay hem de harcamalar ile korelasyona sahiptir ve yanlılık oluşturur. RDD, bu yükümlülüğü eşiğin etrafındaki yerel rastgelelik ile (Local Randomization) gevşetmektedir. Bu da ölçülemeyen özelliklerin bir rastgele dağılımını sağlar. Adaylar genellikle skorlardaki dağılım yoğunluğunun kontrol edilmesi gerektiğini (McCrary test) ve eşik çevresindeki değişken dengesinin (%Covariate balance test%) kontrol edilmesinin önemini göz ardı etmektedirler; bu, sonuçların geçerliliği için kritik öneme sahiptir.