Integrated Model für Banken beim Kreditantrag
Feinjustierte Modelle können Banken dabei helfen, die Betriebskosten beim Kreditantrag deutlich zu senken, bessere Entscheidungen zu treffen und sogar Betrugsversuche schneller zu erkennen. Gerade in der aktuell für viele Kreditnehmer schwierigen wirtschaftlichen Situation lohnt sich die Arbeit, denn das Ausfallrisiko ist zuletzt deutlich angestiegen.
Eine solide Datenbasis ist aber Voraussetzung, um alle Facetten des Kunden wie unterm Brennglas analysieren zu können. Unser Banken-Experte Dietmar Nussböck sieht große Vorteile im Aufsetzen eines „Integrated Models“. In diesem Artikel zeigen wir auf, wie es sich zusammensetzt.
Antragsscore: Für die Ermittlung dieses Scores werden allgemeine demographische und finanzielle Daten berücksichtigt. Also: In welchem Einzugsgebiet wohnt der Kreditantragsteller, wie alt ist er; aber auch: Wie viel verdient er, wie lange ist er firmenzugehörig, in welcher Branche arbeitet er, etc.
Diese Daten gibt der Antragssteller selbst ein, alternativ können die Daten teilweise per Open Banking in die Anwendung eingespeist werden. „Aus den Informationen werden KPIs wie zum Beispiel die Loan-to-Income- (LTI) oder Debt-to-Income-Ratio (DTI) ermittelt“, erklärt Dietmar Nussböck. Die Decision Engine unserer Lösung wird dann auf Basis der Daten entsprechend programmiert, um erste Entscheidungen zu treffen. „Ich möchte als Bank vielleicht keinen unbesicherten 50.000-Kredit an einen 18-jährigen Antragsteller vergeben“, so Dietmar Nussböck. Fälle wie dieser, werden also von der Decision Engine früh im Antragsprozess aussortiert.
Verhaltensrating: Diese Kennzahl wird aus den Daten generiert, die der Bank bereits zur Verfügung stehen. Das kann zum Beispiel die bisherige Transaktions- oder Rückzahlungshistorie der bestehenden Verbindlichkeiten des Antragstellers sein. Am effizientesten ist die Kombination des Verhaltensratings mit der laufenden Progression des Schufa-Scores.
Beispiel: Kunde A, nimmt innerhalb von 3, 6 oder 9 Monaten laufend Finanzierungsprodukte auf. Hier sollte die Bank anhand der übertragenen Beträge die Verschuldungsquote eng beobachten. Sie kann auch als Früherkennungsindikator genutzt werden.
.Kreditnehmer, die innerhalb einer kurzen Zeit umschulden, sind ein Problem für die Bank.
Dietmar Nussböck, Bankenexperte Aryza
Externe Daten: Gemeint ist hiermit die Einbeziehung der Daten sowohl von Banking Credit Bureaus (BCB) – zum Beispiel Schufa – oder von Non-Banking Credit Bureaus (NBCB) wie Crif, Arvato, Infoscore, etc. Aus Sicht unseres Experten lohnt sich aus Kostengründen bei der Antragsstellung eine Vorfilterung mittels NBCB-Informationen. Das sind zum Beispiel Negativdaten aus dem Bereich E-Commerce. „Wenn hier Antragssteller schon früh ausgefiltert werden können, ist das pro Abruf in der Regel günstiger, als direkt BCB zu nutzen“, sagt Dietmar Nussböck. Für gewöhnlich sind die Stückpreise der Negativauskunfteien bis zu 50% günstiger und die schnellere Entscheidung verringert im weiteren Verlauf Time-to-Decision (TTD), Time-to-Yes (TTY) oder Time-to-Cash (TTC).
Take-up-Model: Eingearbeitet werden sollte auch die Abschlusswahrscheinlichkeit. Sie kann auf Basis von Daten zum biometrischen Verhalten des Antragstellers errechnet werden. Also zum Beispiel: Wie oft war Antragsteller A auf der entsprechenden Landingpage, wie oft hat er welchen Kreditbetrag errechnet, hat er sich auf einen Betrag festgelegt, mit der Laufzeit gespielt, wo im Prozess hat er zurückgeklickt um zu sehen, welchen Zinssatz er bekommen würde, etc.
Diese Kennzahl ist insbesondere bei einer Zusammenarbeit mit Affiliate-Partnern wie Check 24 interessant. „Kreditnehmer, die innerhalb einer kurzen Zeit umschulden, sind ein Problem für die Bank“, so Dietmar Nussböck.
Risk-based Pricing: Ziel des Risk-based Pricing ist die Einpreisung des aufkommenden Risikos für jeden einzelnen Kredit. „Dies ist trotz der Modelle nicht immer zu 100 Prozent umsetzbar, aber man kann damit seine Zielgruppen steuern“, so Dietmar Nussböck.
NPV-Model: Dieses Modell beschreibt den Kapitalwert des Kredites, es vereint alle Ausgaben, die mit dem Kredit verbunden sind, zum Beispiel Acquisition Cost, Cost of Capital, OpEx-Cost, Marketingkosten, Personalausgaben. Gerade letztere können durch einen höheren Automatisierungsgrad deutlich abgesenkt werden.
Jedes dieser Modelle errechnet am Ende einen Score, der – auf Wunsch gewichtet – in das Integrated Model fließt und zu einem finalen Gesamtscore subsummiert werden kann. „Genau diesen Workflow können wir im Sinne eines Entscheidungsbaums auf Basis der verschiedenen Variablen in unserer Loan-Origination-Lösung abbilden“, so Dietmar Nussböck. „Dadurch können wir sehr viel genauere Entscheidungen herbeiführen, die einen großen Kostenvorteil mit sich bringen.“
Für die Konfiguration eines Integrated Models gibt es abhängig von der Datenlage verschiedene Ansätze und Möglichkeiten. Ist die Datenlage hingegen dünn, ist die Erstellung schwierig. Dietmar Nussböck: „Eine Bank ohne Data Science Unit oder Model Unit sollte gegebenenfalls alternativ auf einen regelbasierten Decision Tree zurückgreifen.“
Der Bankenexperte empfiehlt außerdem darauf zu achten, dass Variablen und Gewichtungen in der Software unkompliziert gemanagt werden können, ohne dass für jede Änderung ein Change Request an den Software-Provider geschickt werden müsse. Denn das erhöhe die laufenden Kosten deutlich.