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 Datenanlyseumgebeung 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