ML bei der Automatisierung des Risikobewertungsprozesses in der Finanzindustrie

Der Kunde ist ein Unternehmen, das sich um die finanzielle Sicherheit von Unternehmen der Transportbranche im nationalen und internationalen Transportwesen kümmert. Zu den Spezialgebieten des Unternehmens gehören die Prüfung der Glaubwürdigkeit von Vertragspartnern, die Rechnungsfinanzierung und Zahlungsüberwachung, sowie die gütliche und gerichtliche Eintreibung von Forderungen.

Der Prozess der Kreditrisikobewertung und Entscheidungsfindung im Factoring ist ein Schlüsselbereich des Kundengeschäfts. Es ist wichtig, konstant hohe Leistungen zu erzielen.

Bisher wurde jeder Antrag mit Hilfe von Expertenwissen und einer manuellen Inspektion überprüft. Eine solche Vorgehensweise war nicht optimal, da es schwierig war, eine völlig objektive Bewertung vorzunehmen, außerdem war eine schnelle Skalierung des Prozesses nicht möglich. Daher beschloss der Kunde, den Bewertungsprozess für die Endkunden zu automatisieren.

Der Kunde beschloss, mit uns bei der Entwicklung einer Software zur Bewertung der Zuverlässigkeit von Endkunden zusammenzuarbeiten. Ausschlaggebend für die Zusammenarbeit war unsere umfangreiche Erfahrung in Fintech-Projekten (für Factoring-Unternehmen, Inkassounternehmen, Banken) und unsere jahrelange Erfahrung in der Anwendung vieler Arten von mathematischen Modellen zur Lösung einer Vielzahl von Problemen.

An der Entwicklung des Modells waren 5 Personen (leitende Datenanalysten, Datenanalysten, Programmierer) unter der Aufsicht eines Fachmanns beteiligt.

1. Datenanalyse und -aufbereitung 

• Ein Workshop zur Analyse der Geschäftsanforderungen,
• Analyse des Underwriting-Prozesses, d. h. der Maßnahmen zur Bewertung, Annahme oder Ablehnung von Risiken
• Vorbereitung und vorläufige Analyse der in diesem Prozess gesammelten Daten. In dieser Phase konzentrierten wir uns darauf, die Merkmale der Daten zu verstehen, die Verbindungen zwischen verschiedenen Datensätzen zu erkennen sowie die Qualität der Daten zu bewerten (und zu verbessern).

2. Erstellung eines geeigneten ML-Modells und Integration desselben 

• Zur Umsetzung der Lösungen haben wir uns für die Verwendung von Black Box ML-Modellen entschieden, die mit einem Erklärungsmechanismus (XAI) ausgestattet sind.
• Wir bereiteten einen großen Satz von Beispieldaten vor und führten den Lernprozess für das Modell durch.
• Bei der Anwendung empfängt das fertige ML-Modell die tatsächlichen Daten, verarbeitet sie und liefert das Ergebnis – es nimmt die Risikobewertung vor.
• Nachfolgende Modelle wurden schrittweise verfeinert. Die endgültigen Modelle wurden gründlich validiert, wobei die Verallgemeinerungsfähigkeit des Modells und die Empfindlichkeit der Vorhersagequalität gegenüber dem Zeitablauf bewertet wurden
• Am Ende des Prozesses wurden die Modelle in das unternehmensinterne System integriert.

Wir begleiteten den Kunden durch das Projekt, sahen alle aufkommenden Risiken voraus und schlugen alternative Lösungsmethoden vor. Der Kunde war mit der engen Zusammenarbeit zufrieden, durch diese eine hohen Arbeitseffizienz erreicht wurde. Dank der offenen Kommunikation konnten wir schwierige Themen auf verständliche Weise diskutieren, so dass alle Projektphasen und Entscheidungen im Bereich der prädiktiven Modellierung nachvollziehbar waren.

Letztendlich ermöglichten wir eine automatische, objektive und schnelle Bewertung von Factoring-Anträgen rund um die Uhr, was für die Endkunden von großem Wert ist. Der Kunde erhielt auch die Möglichkeit, das Risiko bequem zu kontrollieren und dabei nicht auf die Spezialisten angewiesen zu sein, die derzeit die Anträge prüfen. Darüber hinaus ist eine problemlose Skalierung der Prozesse möglich.