Den Kunden mit all seinen Facetten verstehen Norbert Poppe Client Partner FICO Neill Crossley Principal Consultant, Analytic Solutions FICO November 2010

Einführung in Prognoseanalytik Entwicklungen im Einsatz von Daten Entwicklungen der Modellierungstechniken Vorteile des Modelleinsatzes ohne Reibungsverluste Zusammenfassung

Einführung in Prognoseanalytik

Was ist Prognoseanalytik? Prognoseanalytik unterstützt Unternehmen, mithilfe von Daten die beste oder realistischste Entscheidung aus einer Reihe von Möglichkeiten auszuwählen. Übliche Anwendungsbereiche von Prognoseanalytik umfassen die statistische Untersuchung von Geschäftsdaten, um historische Zusammenhänge zu verstehen und damit Prognosen zur Unterstützung von Entscheidungen zu erstellen, die zukünftige Ergebnisse verbessern. Einige Teilbereiche von Prognoseanalytik sind: Credit Scoring Marketinganalysen Betrugserkennung Predictive Science Decision Optimisation Decision Management Basierend auf Wikipedia. Freie Übersetzung von Teilen der Einträge für „analytics“ und „predictive analytics“

FICO – Pionier in der Analytik von Kundenbeziehungen “Fair Isaac is where the mathematical approach to problem-solving that is inherent in today’s scores and analytics all began.” — William Blair & Company *) *) amerikanische Investmentbank und Vermögensmanagement

Bessere Entscheidungen durch bessere Prognoseanalytik Profilierung / Segmentierung X Profilierung und grobe Segmentie-rung Prognose- Modelle / Scoring Rangordnung entlang einer eindimensionalen Zielvariablen Datengestützte Entscheidungen Micro-Segmente durch 2-3 dimen-sionale Matrizen Expertenstrategien zur Optimierung Entscheidungs- optimierung Zusammenführung mehrerer Zielvari-ablen in einem Konzept Entscheidungs-optimierung auf Einzelfallebene unter Berück-sichtigung von Restriktionen Fortschritte in den Entwicklungsstufen

Analytik verbessert die Ergebnisse im gesamten Kundenlebenszyklus Zielgruppen- bewerbung Antrags- bearbeitung Kunden- management Forderungs- management Welche Entscheidungen müssen in dieser Stufe des Kundenlebenszyklus getroffen werden? Entscheidung Welche Konsequenzen der Entscheidungen können prognostiziert werden, um die Qualität der Entscheidungen zu verbessern? Prognose

Analytik verbessert die Ergebnisse im gesamten Kundenlebenszyklus Zielgruppen- bewerbung Antrags- bearbeitung Kunden- management Forderungs- management Zielgruppe Produkt-angebot Kanal / Medium Zeitpunkt Annahme-entscheidung Kredithöhe Konditionen Ausstattung Up-Selling Eigenkapital Kreditlinie Konditionen-anpassung Autorisierung / Disposition Cross-Selling Eigenkapital Priorisierung Maßnahmen Kommuni- kationskanal Dienstleister Entscheidung Response Ertrag Risiko Tragfähigkeit Risiko Ertrag Tragfähigkeit Vorz. Tilgung Up-Sell Potential Betrug Risiko Ertrag Tragfähigkeit Vorzt. Tilgung Cross-Sell Potential Betrug Insolvenz Abschreibung Roll-Raten Beitreibungs-betrag Prognose

Entwicklungen im Einsatz von Daten

Daten für die Prognoseanalytik – früher und heute Datentypen Demografie x X Negative Auskünfte Kontoverhalten

Daten für die Prognoseanalytik – früher und heute Datentypen Demografie x X Geo-Demografie Negative Auskünfte Positive Auskünfte Auskunftei-Score Kontoverhalten Kundenverhalten Finanzielle Transaktionen Nicht-finanzielle Transaktionen Betrug Anlageprodukte Marketingmaßnahmen / Reaktionen Forderungsmanagement Objektdatenbanken Verifizierungsdaten

Das Problem: Datenmenge und Korrelation Korrelation war bei Modell- entwicklungen schon immer ein Problem. Durch die immer weiter zunehmende Datenmenge hat sich das Problem deutlich vergrößert. Probleme durch Korrelation: Beeinflussung mancher statistischer Verfahren, die dann zu unplausiblen Risikostrukturen führen. Auswahl der Modellparameter aus komplett oder stark korrelierten Merkmalen. Variable 1 Variable 2 teilweise korreliert Variable 3 korreliert Variable 4 nicht korreliert

Die Lösung: Datenmenge und Korrelation Neill FICO‘s Analytik: Umfasst Score-Engineering-Techniken, um mit den Korrelationsproblemen intelligent umzugehen. Erlaubt das Erkennen von korrelierten Merkmalen und deren Analyse. Erlaubt es dem Analytiker, die Beziehungen zwischen korrelierten Merkmalen zu verstehen und diese zu priorisieren.

Entwicklungen der Modellierungstechniken

Die Chance: Transaktionsdaten Positive Aspekte Negative Aspekte Es gibt sehr viele Transaktionsdaten Transaktionsdaten beschreiben den Lebensstil und die Gewohnheiten des Kunden im Detail. Transaktionsdaten helfen, Entscheidungen genauer und frühzeitiger zu treffen. Es gibt sehr viele Transaktionsdaten. Probleme mit der konsistenten und dauerhaften Speicherung Schwierigkeiten bei der Einbindung in Prozesse. Transaktionsdaten sind nicht immer sauber oder für alle Konten im gleichen Detaillierungsgrad vorhanden.

FITS – Financial Transaction Scores Seit 1996 entwickelt FICO Modelle, die auf Transaktions-daten fußen und setzt sie ein. Fair Isaac Transaction Scores werden bei jeder Transaktion neu berechnet. Veränderungen im Risiko-profil werden zeitnah erkannt. FICOTM Falcon setzt patentierte FICO Transaktionsprofile ein. Im Vergleich zu Verhaltens Scores wird die Prognose-genauigkeit um 2,5% bis 10% verbessert.

Das Problem: Veränderung der wirtschaftlichen Rahmenbedingungen Problemfelder Anforderungen Modelle werden auf Basis historischer Daten entwickelt. (Fahren mit Blick in den Rückspiegel) Der Einfluss von wirtschaftlichen Rahmen- bedingungen wurde in der Vergangenheit ignoriert. Die Zukunft ist immer „anders“ als die Vergangenheit. Genauere Steuerung der Portfolien. Veränderungen antizipieren anstatt auf bereits einge- tretene Veränderungen zu reagieren. Erhöhung der Prognose- genauigkeit der Modelle im operativen Betrieb.

EIS - Economic Impact Service Berechnung des Einflusses von aktuellen und erwarteten Marktbedingungen auf das Risikoniveau. Anpassung der Strategien an die erwarteten wirtschaft-lichen Bedingungen. Einfache Anwendung mit unterschiedlichen Scores. Unterstützung bei: Reduzierung von Verlusten Kontrolliertem Wachstum des Portfolios Erfüllung regulatorischer Anforderungen

Das Problem: Entscheidungen haben vielfältige Auswirkungen Problemfelder Anforderungen Entscheidungen wirken sich nicht nur auf die Zielvariable aus. Beispiel: Ein zu hoher Kredit-betrag kann die Zahlungsfähigkeit des Kunden direkt beeinflussen. Ein zu niedriger Kredit-betrag kann zu Verzicht des Kunden führen. Die Auswirkung von Entscheidungen auf alle KPIs muss verstanden werden. Insbesondere muss die Auswirkung auf die Profita- bilität verstanden werden. Auswahl der profitabilitäts- optimierenden Entschei- dungen im Rahmen von Zielen und Einschrän- kungen.

DM – Decision Modeling Decision Modeling wurde von der F&E-Abteilung von FICO entwickelt und in über 100 Projekten in den letzten 10 Jahren ständig verbessert. Der FICO-Ansatz stellt eine Methodologie (Framework) bereit. Decision Modeling setzt auf vorhandene Scores und Systeme auf. Im Mittelpunkt stehen die geschäftspolitischen Ziele und Rahmenbedingungen.

Das Problem: Der Zeitpunkt eines Ereignisses ist ebenso wichtig wie sein Eintreten Problemfelder Beispiel Traditionelle Modelle konzentrieren sich darauf, ob ein Ereignis eintritt, nicht wann es eintritt. Der Eintrittszeitpunkt kann wichtige Entscheidungen beeinflussen. Zeitpunkt von Limitanpassungen Zeitpunkt von Produktangeboten Kreditzusagen Ein marginal akzeptabler Kreditnehmer, der erst nach 18 Monaten in Zahlungsverzug gerät, kann profitabler sein, als ein guter Kunde, der seinen Kredit nach kurzer Laufzeit vorzeitig zurückführt.

T2E – Time to Event Models FICO entwickelt seit 2004 Time to Event Modelle. Die Modelle erhöhen bei US-Handelsunternehmen die Umsätze aus Angeboten deutlich. Mögliche Anwendungsgebiete bei Finanzdienstleistern: Kreditbedienung bis zum Zahlungsverzug Dauer der Kundenbeziehung Vorzeitige Tilgung bei Konsumentenkrediten Dauer von Telefonaten des Call Centers Dauer bis zum Verkauf eines weiteren Produkts

Vorteile des Modelleinsatzes ohne Reibungsverluste

Implementierung kann aufwendig sein Entwick- lung Dokumen- tation Implemen- tierung Test / Korrektur Freigabe Traditioneller Implementierungsablauf Implementierungsdauer Quelle: 2008 Fico-Umfrage bei globalen Finanzdienstleistern Lange Implementierungs- zyklen verursachen hohe unrealisierte Potentiale

Daten für Entwicklung, Neuentwicklung und Überwachung Der FICO Model Builder unterstützt Entwicklung und parallele Einsatzvorbereitung FICO Model Builder Produktiv- Daten Produktions- umgebung (Einsatz) Daten einlesen tranform. Merkmale generieren Modell entwickeln Modell validieren Weitere Daten Bibliothek Implementieren Metadaten Code generieren Code generieren Modell testen andere Analytiker

Reibungsverluste können vermieden werden Modelle werden als Java-Code ausgeführt und können von niemandem gesehen oder verändert werden. Rule Service FICO Model Builder Java Black Box (Java) Decision Management Bibliothek Rule Service White Box (PMML) .NET Der Modell-Code ist sichtbar und kann durch autorisiertes Personal verändert werden. (z.B. Regelentwicklung, Fachabteilung) PMML Integration Code Gen COBOL

Die FICO Analytic Platform hilft, Scorekarten zu managen und Potentiale zu realisieren Zentralisierte Verwaltung von Scorekarten / Modellen über den gesamten Lebenszyklus Zentrale Merkmalsbibliothek Einfache Wiederverwendung von Komponenten, einfache Neuentwicklung / Aktualisierung Simulation von Modelleinsatz und Entscheidung Schnellerer Einsatz fertiger Modelle Modelle in Produktivumgebung editierbar Reporting über die Modelle

Die FICO Analytic Platform managt den gesamten Lebenszyklus von Prognosemodellen Datenvorbereitung Development Assets managen Entwicklung Testen, Validierung & Simulation Implementierung Priorisierung der Entwicklungen Modell überwachen Anpassungen der Modelle Einsatz in Produktivumgebung Lifecycle Management

Zusammenfassung

Zusammenfassung - Daten Überprüfung des Einsatzes aller relevanten internen und externen Datenquellen Einsatz von Methoden und Instrumenten um: Die relevantesten Daten zu identifizieren Die relevanten Daten bestmöglich zu nutzen

Zusammenfassung - Modelle Optimierung der Leistungsfähigkeit durch Modellierung der Entscheidung Einbeziehung makro-ökonomischer Daten Simulationen und Sensitivitätsanalysen, um zukünftige Entwicklungen abzuschätzen Finden einer Balance zwischen Automation und Expertenwissen Transparenz erhöhen und Komplexität nur wo erforderlich erlauben Den Kunden aus dessen Perspektive mit all seinen Facetten verstehen