Banka İşlemlerini Otomatik Olarak Kategorileme (2026 Rehberi)
Manuel işlem kategorilendirmesinin neden kaybeden bir mücadele olduğu, 2024–2026'da otomatik kategorilendirmenin neden sonunda güvenilir hale geldiği ve ücretsiz şekilde nasıl kurulacağı.
Hangi kişisel finans uygulaması olursa olsun aynı gizli sorunla karşılaşır: kategorilendirme yanlış hissetmeye başladığında insanlar onu kullanmayı bırakır. "Diğer" diye etiketlenen bir ücretin aslında "Restoranlar" olması gerekirken, uygulamanın çözemediği bir Square ücreti, on ay boyunca aboneliklerin "Hizmet" altında toplanması — ve kullanıcı pes eder. Doğru yapıldığında otomatik kategorilendirme, finansal bir takip aracındaki en önemli tek özelliktir. Kötü yapıldığında ise bu uygulamalar işte bu yüzden başarısız olur.
Bu, 2026'da otomatik işlem kategorilendirmesine yönelik bir rehberdir: nedir, önceki çözümler neden bu kadar kötüydü, 2024 ve 2025'te ne değişti de sonunda güvenilir hale geldi ve ya ücretsiz ya da ucuz bir şekilde nasıl kurulur.
"Otomatik kategorilendirme" gerçekten ne demek?
Banka beyanındaki her işlem tek bir veri satırıdır: tarih, satıcı açıklaması (merchant descriptor), tutar; bazen bir memo daha olur. Kategorilendirme, o satıra anlamlı bir etiket ekleme sürecidir — Market, Yemek, Ulaşım, Abonelikler, Gelir, Transfer — böylece harcamaları kategori bazında toplayabilir, buna göre bütçe oluşturabilir ve anormallikleri fark edebilirsiniz.
Manuel kategorilendirme ilk 30 işlem için çalışır, sonrasında çalışmayı bırakır. Tipik bir ev, tüm kartlar ve hesaplar üzerinden ayda 80 ila 200 işlem üretir ve satıcı açıklamaları (merchant descriptors) nadiren marka adının kendisidir — Paramount+ için "CTV*PARAMOUNT", bisiklet uygulaması için "DG*ZWIFT", Red Lobster için "TST*REDLOBSTER", Amazon için "PAYPAL *AMAZON". Bunu elle yapmak, neredeyse kimsenin sürdüremediği aylık 30 dakikalık bir uğraştır.
Önceki kategorilendirme neden bu kadar kötüydü?
2024 öncesi dönemin baskın kişisel finans uygulaması olan Mint, kurallara dayalı bir sistem kullanıyordu. Banka beyanındaki satıcı açıklaması, elle derlenmiş düzenli ifadeler ve satıcı kodlarından oluşan bir listeye göre eşleştirilirdi; yeni satıcılar ya da garip biçimlendirilmiş açıklamalar genel bir kategoriye düşerdi. Üç sorun vardı:
- Satıcı veritabanının manuel olarak güncellenmesi gerekiyordu. Yeni markalar, bölgesel işletmeler ve beyaz etiketli (white-label) ödeme işlemcileri onu sürekli şaşırtıyordu.
- Belirli bir satıcı için kategori, bağlama bağlıydı. Whole Foods'ta 40 dolarlık bir ücret market/yiyecek; Starbucks'ta 40 dolarlık bir ücret yeme-içme; aynı kahve zincirinde kurumsal bir kafeteryada olan 40 dolarlık bir ücret ise iş gideri olarak geri ödeniyor olabilir. Kurallara dayalı sistemler bunu anlayamaz.
- Abonelikler ve tekrarlayan ücretler, çoğu zaman kategorilendiriciyle uyuşmayan ayrı bir tespit katmanı tarafından yönetiliyordu. Aylık Spotify ücreti, baktığınız ekrana göre hem "Müzik" hem "Abonelikler" olarak görünebiliyordu.
2024–2026'da ne değişti?
İkisi birlikte:
Kategorilendirme için büyük dil modelleri
2024'ün sonlarına doğru dil modelleri, işlemleri tek tek neredeyse insani bir doğrulukla kategorilendirecek kadar ucuz ve doğru hale geldi. İnternetin büyük kısmını okuyan bir model, "CTV*PARAMOUNT"un Paramount+ ve bir streaming aboneliği olduğunu; "TST*" açıklamalarının restoran satış noktası olduğunu; "USPS"in kargo gönderimi olduğunu ve Cumartesi sabahı Whole Foods'ta 40 dolarlık bir ücretin bir ofis giderinden ziyade büyük olasılıkla market/yiyecek olduğunu bilir.
Kritik olarak, dil modelleri bağlam da kullanabilir: aynı satıcının ne sıklıkla göründüğü, o satıcı için normal tutar aralığı ne olduğu ve kullanıcı daha önce kategorilendirmeyi geçmişte nasıl değiştirmiş (override etmiş) olduğu gibi.
PDF beyanları için OCR
Banka beyanı formatları ülkeler, bankalar ve hesap türlerine göre aşırı derecede değişir. Daha eski kategoriciler CSV dışa aktarıma ihtiyaç duyardı; bu da birçok küçük banka için ve yabancı banka beyanları için çoğu zaman mümkün olmazdı. Modern yapay zekâ destekli ayıştırıcılar, PDF'in içinden doğrudan yapılandırılmış veriyi çıkarabilir: birden fazla sütuna yayılan düzenler, ücretlerle ilgili dipnotlar ve sayfalar arasında garip şekilde taşınan tablolar dahil.
İkisini birleştirdiğinizde ilk kez uçtan uca otomasyon elde edersiniz: bir beyan PDF'i verirsiniz, size abonelikler tespit edilirken tekrarlayan ücretler işaretlenen tam kategorilere ayrılmış bir işlem listesi geri döner.
2026'da otomatik kategorilendirme nasıl kurulur?
Seçenek A: bir banka toplayıcı uygulamasına bağlanın (Plaid)
Monarch Money, Copilot Money ve YNAB gibi uygulamalar işlemleri otomatik çekmek için Plaid'i kullanır. Kurulum, her hesap başına yaklaşık beş dakika sürer. Bağlandıktan sonra işlemler her gün görünür ve uygulama içe aktarım sırasında onları kategorilere ayırır. Kalite değişir — bazı uygulamalar hâlâ kurallara dayalı mantığa ağır biçimde dayanır — ancak en iyileri artık varsayılan çıktıda yaklaşık %90 doğrulukta.
Taviz ise gizliliktir: bir üçüncü taraf toplayıcıya banka girişinizi vermeniz gerekir. Toplayıcıların güvenlik sicili güçlüdür; ancak bankacılık kimlik bilgilerini bankanızın dışında hiçbir yerde olmasını istemeyen kullanıcılar için bu işe yaramaz.
Seçenek B: yapay zekâ destekli bir takipçiye beyan yükleyin
MyVault, toplayıcı içermeyen en basit seçenektir: bankanızın web sitesinden bir PDF ya da CSV beyanı indirin, yükleyin ve yapay zekâ her şeyi bir dakikadan kısa sürede kategorilere ayırsın. Hiçbir adımda banka kimlik bilgileri dahil değildir — yüklediğiniz dosya, vergi dönemi için indireceğiniz dosyanın aynısıdır. Ücretsiz seviye çoğu gündelik kullanıcıyı kapsar.
Seçenek C: bir e-tablo ve yapay zekâ yardımcı ile kendi sisteminizi kurun
Kendin yap (DIY) eğilimli kullanıcılar için, bir ya da iki basit hesap varsa, bir e-tablo + tek bir yapay zekâ prompt'u çoğu işi halledebilir. İşlemlerinizi bir CSV olarak dışa aktarın, kategorilendirme isteyen bir prompt ile ChatGPT ya da Claude'a yapıştırın ve sonucu kabul edin. Bu, tek seferlik denetimler için çalışır ama aylık bir iş akışı olarak kırılgandır.
Herhangi bir kategoriciyi nasıl daha iyi yaparsınız?
İlk denemede hiçbir otomatik kategoricinin doğruluğu kusursuz olmaz. Zaman içinde kaliteyi dramatik şekilde artıran birkaç alışkanlık vardır:
- Küçük ve stabil bir kategori listesi seçin. 12 ila 15 kategori, 50 kategoriden çok daha iyi çalışır. Daha fazla kategori, kendinizle çelişmek için daha fazla fırsat demektir.
- Yanlış kategorilendirmeleri her zaman düzeltin — hangi işlem olduğu size umursatmasa bile. Modern kategoriciler, düzeltmelerinizden öğrenir: bir kez yanlış dosyalanmış Spotify ücretini düzeltmek, bundan sonra tüm Spotify ücretlerinizin aynı yerde olmasını modele öğretir.
- Belirsiz satıcılar için bir kural belirleyin. Amazon, PayPal ve Venmo en kötü suçlular olabilir — Amazon'u market, elektronik, kitaplar ve hediyeler için kullanıyor olabilirsiniz. Ya onlara özel bir kapsayıcı (catch-all) kategori verin ya da manuel olarak yeniden kategorilendirmeniz gerekeceğini kabul edin.
- Transferleri gelir ya da harcama gibi değil, transfer olarak kategorilendirin. Banka hesabınızdan çek hesabınıza (checking) yapılan bir transfer, bir tarafta gelir gibi diğer tarafta harcama gibi ele alırsanız toplamları iki kez saydırır.
İyi kategorilendirme gerçekte neyi açar?
Güvenilir kategorilere ayrılmış işlemlerle sonunda önemli soruları yanıtlayabilirsiniz: Yemek (dining) için markete göre gerçekten ne kadar harcıyorum; gelirimin hangi kısmı aboneliklere gidiyor; aylık ulaşım bütçem artıyor mu; bu tatilde toplamda ne kadar harcadım? Bu sayılar geriye bakınca açık görünür ama kategorilendirme olmadan görünmezler ve gerçek anlamda işe yarayan her bütçenin temelini oluştururlar.
Ücretsiz olarak MyVault'u deneyin — bir banka beyanı yükleyin ve harcamalarınızın otomatik kategorilere ayrıldığını görün. Banka girişi gerekmez. MyVault