Den Kunden mit all seinen Facetten verstehen

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

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

3. Einführung in Prognoseanalytik

4. 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 • DecisionOptimisation • Decision Management Basierend auf Wikipedia. Freie Übersetzung von Teilen der Einträge für „analytics“ und „predictive analytics“

5. 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

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

7. 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

8. 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

9. Entwicklungen im Einsatz von Daten

10. Daten für die Prognoseanalytik – früher und heute

11. Daten für die Prognoseanalytik – früher und heute

12. 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 teilweisekorreliert Variable 3 korreliert Variable 4 nichtkorreliert

13. 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.

14. Entwicklungen der Modellierungstechniken

15. 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.

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

17. 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.

18. 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

19. 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.

20. 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.

21. 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.

22. 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

23. Vorteile des Modelleinsatzes ohne Reibungsverluste

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

25. DatenfürEntwicklung, 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

26. 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 ManagementBibliothek 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

27. 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

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

29. Zusammenfassung

30. 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

31. 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