Risikofrüherkennung im Kreditbereich

Aufgabe
  • Entwicklung von Modellen auf Basis maschineller Lernverfahren zur verbesserten Risikofrüherkennung im Kreditbereich
Lösung
  • Benchmarkmodell: Logistische Regression
  • Konkurrenzmodelle: Neuronales Netz, Random Forest, Boosted Trees  
Kennzahl
  • Trennschärfekennzahlen anhand der ROC-Kurve (Trefferquote vs. Fehlalarmquote)
Werkzeug
  • Selbsterstellte Skripte im Rahmen der Statistik- und Datenanalyseumgebung R (SAS)
Ergebnis
  • In verschiedenen Portfoliosegmenten erwiesen sich Modelle jeweils eines der o.g. ML-Verfahren als optimal
  • Konsequenz: Großes Potential zur effizienteren Nutzung der Kapazitäten von Sachbearbeitern (COs) aufgrund gesteigerter Trefferquote hins. Problemkunden, bei gleichzeitiger Senkung der Fehlalarmquote
ID-Nr. 1125