Um Risiken zu minimieren, müssen Banken und Kreditgeber ihre Transformation beschleunigen und über ein zuverlässiges und schnelles Risikobewertungs-Modell verfügen. Bei October haben wir eigene Risk-Scoring-Modelle entwickelt.
Diese bieten wir seit der Einführung von October Connect, unserer Neolending-Technologie zur Unternehmensfinanzierung, auch als Lösung für andere Finanzdienstleister an.
Unser Head of Data, Tejas Sherkar erklärt im Interview unsere Risikoanalysemodelle.
Was ist ein Kreditrisikomodell? Was ist der Zweck dieser Modelle?
Ein Kreditrisikomodell ist im Wesentlichen ein Regelwerk zur Quantifizierung des Risikos, das mit der Kreditvergabe an einen Kreditnehmer verbunden ist. Diese Regeln und die ihnen zugeführten Daten bestimmen die Art, die Komplexität und die Leistung des Modells.
Ratingmodelle konzentrieren sich meist auf die Vorhersage der Kreditwürdigkeit des Kreditnehmers. Scoring-Modelle hingegen haben das Ziel, die Kreditwürdigkeit und einen potenziellen Zahlungsausfall vorherzusagen.
Bei October konzentrieren wir uns auf die Entwicklung von Scoring-Modellen mittels „Predictive Analytics“.
Wie erstellt man ein Scoring-Modell?
Fokus auf Machine Learning, Assessment, Implementierung, Validierung
Sobald wir eine klare Vorstellung von der zu lösenden Frage haben, können wir mit der Erstellung eines Modells beginnen. Bei October lautete die Frage:
Wie können wir Kreditanträge schnell, skalierbar und sicher bearbeiten, um möglichst vielen Kreditnehmern zu helfen und gleichzeitig unser Ausfallrisiko gering zu halten?
Hier haben wir es mit einem binären Klassifizierungsproblem (Ausfall vs. Nichtausfall) zu tun.
Wir beginnen mit der Erfassung der Daten aus unserem Data Lake (einem intern aufgebauten Datenspeicher mit erzwungenen ACID-Eigenschaften), der die bestehenden Unternehmen in unserem Portfolio und ihr Rückzahlungsverhalten sowie alle historischen Kreditanfragen und die damit verbundenen Finanzdaten, Banktransaktionsdaten und Ausfallkennzeichen umfasst.
Darauf folgt in der Regel ein Datenbereinigungsschritt, bei dem wir uns die Verteilung aller Datenpunkte im Zusammenhang mit historischen Kreditanfragen ansehen, um Ausreißer und fehlende Werte zu behandeln. Der Zweck dieser Übung ist es, unsere Grundgesamtheit zu verstehen und einen repräsentativen Datensatz zu erstellen, auf dem wir unser Modell trainieren können.
Bei October verwenden wir sowohl lineare als auch nicht-lineare Modelle, die auf diesem repräsentativen Datensatz trainiert wurden. Nicht-lineare Modelle werden oft als Blackbox betrachtet, aber wir verwenden SHAP, um nichtlineare Modelle vollständig erklärbar zu machen.
Wie sieht der Lebenszyklus eines Risiko-Scoring-Modells aus?
Nachdem das Modell trainiert und in der Produktion eingesetzt wurde, überwachen wir die Datenpunkte (die das Modell für das Scoring verwendet) der neuen Kreditanfragen über einen Zeitraum (in der Regel 3-6 Monate).
Wenn sich die statistischen Eigenschaften dieser neuen Datenpunkte im Vergleich zum letzten Modelltraining erheblich geändert haben, werden wir das Modell möglicherweise neu trainieren und eine verbesserte Iteration des Modells in der Produktion einsetzen. Aber das ist nichts, was man leichtfertig tun sollte: Wir müssen verstehen, was sich in der Grundgesamtheit verändert hat und welche Verzerrungen aufgetreten sind.
Wir sind auch auf der Suche nach neuen Datenpunkten, die entweder aus vorhandenen Daten neu entwickelt oder von externen Daten-Providern stammen, die die Leistung unseres Modells verbessern könnten.
October führte Magpie im Jahr 2020 ein. Was ist Magpie?
Magpie ist ein Modell zur sofortigen Bewertung des Kreditrisikos, das die Finanzdaten (Bilanz, GuV etc.) und verhaltensbezogene Informationen des KMU analysiert und einen Score von 1 bis 5 in der Reihenfolge der steigenden Ausfallwahrscheinlichkeit vergibt.
Kea wurde Anfang Juli 2021 eingeführt. Was ist der Unterschied zwischen Kea- und Magpie-Scoring?
Magpie und Kea basieren auf der gleichen Klasse von Machine Learning Modellen.
Sie unterscheiden sich jedoch in der Art der analysierten Informationen und der Kategorie der Zielunternehmen.
Magpie analysiert die Finanz- und Verhaltensdaten der Kreditnehmer, um die Ausfallwahrscheinlichkeit (PD) zu beurteilen.
Kea hingegen analysiert Banktransaktionen und Verhaltensdaten, um die Ausfallwahrscheinlichkeit des Kreditnehmers zu berechnen.
Was analysiert Kea bei den Banktransaktionen des Unternehmens?
Die Banktransaktionen bieten einen einzigartigen Einblick in das Tagesgeschäft eines Unternehmens und Kea analysiert mit Hilfe zahlreicher Attribute die Fähigkeit und Bereitschaft des Kreditnehmers, den geplanten Kredit zurückzuzahlen.
Die Attribute beziehen sich z.B. darauf, ob wiederkehrende Zahlungen regelmäßig geleistet werden, über bestehende Aufwendungen für Finanzierungen bis hin zu Zahlungsverzug und der Entwicklung des Banksaldos im Laufe der Zeit.
Welchen Einfluss hatte die neue PSD2-Verordnung (Open Banking) auf die Entwicklung dieses neuen Risikomodells?
Die PSD2-Verordnung ermöglicht es dem Kunden, die Bankdaten seines Unternehmens innerhalb von Sekunden über eine API sicher mit einem Kreditgeber (wie October) zu teilen.
Ein Modell wie Kea (das vollständig auf Banktransaktionen basiert) kann diese Daten daher sofort analysieren, was eine sicherere und schnellere Bewertung ermöglicht.
Wie wirkt sich dieses Risiko-Scoring-Modell auf den Kreditprozess aus?
Risiko-Scoring-Modelle wie Magpie und Kea verkürzen die Zeit bis zu einer Kreditentscheidung und helfen bei der Entwicklung eines skalierbaren Geschäfts.
Sie bringen auch eine gewisse Vorhersehbarkeit in das gesamte Produktangebot, so dass wir unsere Partner und Kreditnehmer frühzeitig im Prozess über notwendige Schritte informieren oder Dokumente anfordern können.
Werden irgendwelche Aufgaben noch manuell ausgeführt?
Die Kreditwürdigkeitsprüfung erfolgt zwar automatisch, aber wir verlassen uns auf das Fachwissen unseres Teams, das die Kundenidentifizierung (KYC), einige Prüfungen zur Betrugsprävention und die Due-Diligence-Prüfung vor der Finanzierung des Kreditnehmers durchführt.