So werten Sie Auskunfteidaten mit DecisionRules aus

Bedeutung von Auskunfteidaten

Kreditauskunfteien liefern Ihnen wertvolle Informationen über die aktuelle Kreditbelastung Ihrer Kunden, ihre bisherige Kredithistorie und Zahlungsmoral, ihre Antragshistorie und oft auch über die Zahlung von Energie- oder Telekommunikationsrechnungen.

Häufig stellen Kreditauskunfteien zudem eine Art Auskunftei-Score bereit, der die Auskunfteidaten eines Kunden zu einem einfachen Rating „verdichtet“. Ein solches Rating wird auf Basis von Daten des gesamten Marktes entwickelt, die für das Profil Ihrer Kunden nicht unbedingt vollständig relevant sind. Damit können Sie weder die bestmöglichen Kreditentscheidungen treffen noch Ihr Kreditpotenzial voll ausschöpfen oder sich von anderen Kreditgebern abheben.

Es lohnt sich, Auskunfteidaten selbst zu aggregieren und auszuwerten: Die daraus resultierenden Attribute lassen sich nicht nur in Kriterien zur Kreditfähigkeit und in der Haushaltsrechnung verwenden, sondern auch in Ihren eigenen Scoring-Modellen. Nachfolgend finden Sie Beispiele für nützliche aggregierte Parameter aus Auskunfteidaten. In unserem Beispiel-Flow in DecisionRules zeigen wir, wie sich einige davon berechnen lassen.

Kredithistorie

Aktuelle Indikatoren beziffern die aktuelle Kreditbelastung, die entweder für jede Kreditart einzeln oder insgesamt berechnet wird:

• Monatliche Gesamtrate - eine wichtige Eingangsgröße für die Haushaltsrechnung. Bei Krediten ist die Berechnung recht eindeutig (eventuell möchten Sie Kredite mit nur noch wenigen ausstehenden Raten ausschließen), Sie sollten aber auch in Anspruch genommene Kreditkarten oder Dispositionskredite in geeigneter Weise berücksichtigen.
• Restschuld - eine Eingangsgröße für Ihre Einschätzung, welchen Gesamtbetrag Sie bereit sind zu gewähren.
• Anzahl und Struktur der Kredite - viele kleine Kredite deuten auf etwas anderes hin als ein oder zwei große Kredite - potenziell eine Eingangsgröße für ein Scoring-Modell.
• Anzahl der Finanzinstitute - ist der Kunde einfach keinem Kreditgeber „treu“, ist er preissensibel oder erhält er aus irgendeinem Grund keinen Folgekredit beim selben Kreditgeber?
• Aktueller überfälliger Betrag, Anzahl der Raten und/oder Anzahl der Kredite - wichtige Eingangsgrößen für Ihre Kriterien zur Kreditfähigkeit, die gegebenenfalls durch Schattenlimits für den überfälligen Betrag oder die Anzahl der Verzugstage „abgemildert“ werden.

Historische Indikatoren beschreiben die Rückzahlungshistorie des Kunden (relevant kann ein bestimmter Datenzeitraum wie ein oder zwei Jahre sein, aber auch einige „Jemals“-Indikatoren können nützlich sein):

• Maximaler Verzugsstatus (oder Verzugstage) bzw. Maximaler überfälliger Betrag - zeigen im Grunde, wie „tief“ die Rückzahlungsprobleme des Kunden waren.
• Anteil überfälliger Zahlungen - kann zusammen mit einem niedrigen maximalen Verzugsstatus einen „nachlässigen Zahler“ offenbaren, aber auch eine Person, die knapp an der Grenze zur Zahlungsunfähigkeit lebt.
• Kreditdynamik - sinkt oder steigt die Summe der monatlichen Raten (oder das Gesamtengagement) im Zeitverlauf? Gerät der Kunde in eine Schuldenfalle oder ist er auf der sicheren Seite?

Antragshistorie

Historische Indikatoren umfassen Häufigkeit, Struktur und Ergebnisse von Kreditanträgen innerhalb eines relevanten Zeitraums.

• Anzahl der Kreditanträge - eine hohe Anzahl ist eine Art Warnsignal.
• Anteil abgelehnter Anträge - ein hoher Anteil abgelehnter Anträge zeigt, dass andere Kreditgeber diese Person als risikoreich einstufen, während ein niedriger Wert sowohl auf jemanden hindeuten kann, der einfach den besten Preis sucht, als auch auf jemanden, der versucht, eine Lücke im System zu finden.

Zahlungshistorie bei Rechnungen

Aktuelle Indikatoren umfassen die Lebenshaltungskosten des Kunden, etwa Energie- und Telekommunikationsrechnungen.

• Gesamtbetrag - sollte in Ihre Haushaltsrechnung einfließen.
• Anzahl der Rechnungen - bezahlt der Kunde Rechnungen nur für einen Haushalt oder möglicherweise für mehrere?

Historische Indikatoren berücksichtigen, ob der Kunde jemals Rechnungen nicht bezahlt hat und, falls ja, in welchem Ausmaß – in der Regel bewertet innerhalb eines relevanten Zeitraums oder über die gesamte Zahlungshistorie.

• Verzugshäufigkeit - wie oft das vorkommt.
• Maximaler überfälliger Betrag - wie groß das größte Problem war.
• Maximaler Verzugsstatus (Tage) - wie schnell der Kunde den überfälligen Betrag begleichen konnte.

Auswertung von Auskunfteidaten mit DecisionRules

Auskunfteidaten liegen meist in einer „rohen“ Form vor, die sich nicht direkt für die Entscheidungsfindung eignet. Sie müssen vorab berechnet und in die oben genannten zusammenfassenden Attribute umgewandelt werden. Diese Berechnung erfolgt in der Regel mit Parametern, die von Attributen wie Kundentyp, bekannter interner Historie usw. abhängen. Daher ist es sinnvoll, diese Berechnungen direkt in DecisionRules durchzuführen und dessen Vorteile bei einer solchen Parametrisierung zu nutzen.

Hinweis: Um externe Daten von Kreditauskunfteien abzurufen, können Sie unsere HTTP-Funktionen verwenden.

Für diese Aufgabe gibt es viele verschiedene Lösungsansätze – von einer einzigen großen Scripting Rule, die alles erledigt, bis hin zu einer zerlegten, auf Decision Flows basierenden Struktur, die besser lesbar und leichter zu warten ist. In diesem Artikel zeigen wir ein Beispiel für den zweiten Ansatz – ein Design mit einer klaren Struktur aus Decision Flows, Decision Trees und Decision Tables. Dieser Ansatz nutzt Array-Funktionen, um Mengen von Auskunfteidatensätzen zu verarbeiten und auf deren Basis zusammenfassende Attribute zu berechnen. Dieser Artikel skizziert die Struktur des Flows, der folgende Artikel geht im Detail auf seine Datenstruktur und die Berechnung der Ausgaben ein.

Hinweis: Für den Praxiseinsatz müssen Sie dieses Design an die genaue Datenstruktur Ihrer Auskunfteidaten anpassen und die Behandlung fehlender Datenwerte ergänzen (sofern diese Situation auftreten kann).

Struktur des Haupt-Flows

Der Haupt-Flow gliedert sich in folgende Teile:

• CalculationSetup - hier legen Sie die Parameter für die Berechnung fest, je nachdem, was Sie benötigen (typischerweise das Kundensegment)
• LoansProcessing - ein Rule Flow zur Berechnung kreditbezogener Informationen
• ApplicationsProcessing - ein Rule Flow zur Berechnung antragsbezogener Informationen
• InvoicesProcessing - ein Rule Flow zur Berechnung rechnungsbezogener Informationen

Berechnungs-Flows

Jeder Berechnungs-Flow berechnet die gewünschten Ausgaben für den jeweiligen Bereich der Auskunfteidaten (Kredite, Anträge, Rechnungen). Zu Demonstrationszwecken haben wir die Flows bewusst aufgeteilt, damit der Zweck jedes einzelnen Objekts klar und nachvollziehbar ist. In einer realen Implementierung können Sie die Flows straffen, indem Sie Filter kombinieren oder sogar Filter mit Berechnungen zusammenführen. Dadurch sinkt zwar die Anzahl der Flows, die Komplexität der einzelnen Objekte darin steigt jedoch.

Flow zur Kreditberechnung

Kurz zusammengefasst gehen wir wie folgt vor:

• Filtern der Kreditdatensätze nach Kreditart (Loans, Cards, Overdrafts)
• Berechnung der aktuellen Daten
  • Filtern der Kreditdatensätze nach Status (Open)
  • Filtern der Kreditdatensätze nach einzelnen Arten für die Berechnung auf Ebene der Kreditart (z. B. Loans für die Berechnung von Privatkrediten)
  • Berechnung der zusammenfassenden Attribute
• Berechnung der historischen Daten
  • Filtern der Kredite nach Alter (basierend auf dem Parameter historicalDataPeriod)
  • Berechnung der zusammenfassenden Attribute
• Berechnung der Rückzahlungshistorie
  • Zusammenführen der Rückzahlungsdetails verschiedener Kreditdatensätze in ein einziges Array
  • Berechnung der zusammenfassenden Attribute auf Basis des historischen Datenzeitraums
• Zum Schluss führen wir die Ergebnisse der aktuellen und der historischen Berechnung zusammen, um „Delta“-Attribute zu berechnen

Flow zur Antragsberechnung

Dies ist ein sehr einfacher Flow, in dem wir Folgendes durchführen:

• Filtern der Antragsdatensätze nach Kreditart (um nur die für die Berechnungen relevanten Kreditarten auszuwählen)
• Filtern der Antragsdatensätze nach Alter (basierend auf dem Parameter applicationsHistoryMonths), um nur aktuelle Anträge zu berücksichtigen
• Berechnung der zusammenfassenden Attribute

Flow zur Rechnungsberechnung

Wieder ein einfacher Flow, bestehend aus:

• für Rechnungen des letzten Monats: Filter für aktuelle Rechnungen + Berechnung
• für Rechnungen aus der parametrisierten Historie: Filter für historische Rechnungen + Berechnung

Zusammenfassung

In diesem Artikel haben wir die Bedeutung von Auskunfteidaten für Kreditentscheidungen hervorgehoben und den Entwurf eines Decision-Flow-Designs skizziert, mit dem sich solche Daten auswerten lassen. Im folgenden Artikel gehen wir stärker ins Detail und zeigen die genaue Beispiel-Datenstruktur, das Berechnungs-Setup und die Berechnung selbst.