Prädiktive Erkennung von Zahlungsausfällen.
Kreditscoring von Unternehmen.
Zur Optimierung sowie zur Unterstützung der manuellen Kreditvergabe haben wir in diesem Projekt ein Machine Learning Modell zur Klassifikation von Kreditausfällen für Unternehmenskunden entwickelt.
Herausforderung.
Für unseren Kunden, ein internationales Kreditvergabeinstitut, ist die Prüfung von Unternehmen bei der Bewilligung von Firmenkrediten ein aufwändiger Prozess. Obwohl die Verfügbarkeit von Daten und Informationen über die jeweiligen Unternehmen gegeben ist, besteht die Schwierigkeit häufig darin, die vielen Informationen zu konsolidieren und in eine zentrale Vergabeentscheidung zu bündeln.
Ansatz.
Auf Basis mehrerer tausend bereits abgewickelter Kreditvergabeverfahren haben unsere Data Scientists ein Machine Learning Modell entwickelt, das die verfügbaren Datenpunkte und Einflussfaktoren, die auf Firmenebene zur Verfügung stehen, mit dem Ausfall des Kredites in Verbindung bringt. Dabei kristallisierten sich, neben einer sehr guten prognostischen Güte des Modells, verschiedene geschäftsrelevante Erkenntnisse heraus, die einen direkten Impact auf das operative Geschäft haben. Nach der Erstellung des Modells wurde dieses im Rahmen einer Score-Card von der Vergabeabteilung weiter ausgearbeitet und schlussendlich erfolgreich in Betrieb genommen.
Ergebnis.
Das von uns erstellte Modell ist neben der manuellen Vergabeprüfung ein wichtiger Entscheidungsfaktor bei der Vergabe des Kredites geworden. Durch die maschinelle Entscheidung können insbesondere Grenzfälle datengetrieben besser entschieden werden, um das Kreditrisiko im Portfolio besser zu steuern. Durch die Verwendung von Open-Source Software (R) fallen keinerlei Lizenzkosten für das Scoring-System an. Zudem kann durch den White-Box Ansatz das Modell jederzeit erweitert bzw. weiterentwickelt werden.
Projekt Info.
Branche: Finance
Thema: Customer Analytics
Tools: SQL, R
Aufwand: 1 Monat
Projektlaufzeit: 1 Monat
STATWORX Kontakt.
Ihr Ansprechpartner:
Fabian Müller
Leiter Data Science
Download Case.
Downloaden Sie diese Case Study als PDF zur weiteren Verwendung.