Den Kunden mit all seinen Facetten verstehen

Confidential. This presentation is provided for the recipient only and cannot be reproduced or shared without Fair Isaac Corporation's express consent.© 2010 Fair Isaac Corporation. 1

Den Kunden mit all seinen Facetten verstehen

Norbert PoppeClient PartnerFICO

November 2010

Neill CrossleyPrincipal Consultant, Analytic SolutionsFICO

© 2010 Fair Isaac Corporation. Confidential.2

Agenda

» 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“

anja.plattner

Auf der kommenden Folie wird FICO als Analytik Pionier vorgestellt. Daher sollte hier eine eigene Definition stehen. Ein Bezug auf Wikipedia wirkt hier wenig selbstbewusst. Zumindest das Wikipedia Logo sollte entfernt werden.


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

anja.plattner

FICO sollte in der Präsentation einheitlich erwähnt werden. Bislang wird FICO und Fair Isaac durcheinander genannt. Maisberger übernimmt die einheitliche Schreibweise FICO. Gibt es eventuell ein aktuelleres Zitat, das verwendet werden kann?Allgemeiner Hinweis: Die meisten Grafiken sind auf Englisch. Wir empfehlen - wenn möglich - deutsche Grafiken zu verwenden.


Bessere Entscheidungen durch bessere Prognoseanalytik

Fortschritte in den Entwicklungsstufen

Profilierung / Segmentierung

XX

XX

XX

X XX

XX

XX

XXX X

XX

XXXXX X

X

X XXX X

XX

X

XX

X

XX

XXXXX X X

X XXX X

XX

XXX X

XX

X

XX X

XX

X

X

XX

Profilierung und grobe Segmentie-rung

Prognose-Modelle /Scoring

Rangordnung entlang einer eindimensionalen Zielvariablen

DatengestützteEntscheidungen

Micro-Segmente durch 2-3 dimen-sionale Matrizen Expertenstrategien zur Optimierung

Entscheidungs-optimierung

Zusammenführung mehrerer Zielvari-ablen in einem KonzeptEntscheidungs-optimierung auf Einzelfallebene unter Berück-sichtigung von Restriktionen


Analytik verbessert die Ergebnisse im gesamten Kundenlebenszyklus

Zielgruppen-bewerbung

Antrags-bearbeitung

Kunden-management

Forderungs-management

Ent

sche

idun

gP

rogn

ose

Welche Entscheidungen müssen in dieser Stufe des Kundenlebenszyklus getroffen werden?

Welche Konsequenzen der Entscheidungen können prognostiziert werden, um die Qualität der Entscheidungen

zu verbessern?


Analytik verbessert die Ergebnisse im gesamten Kundenlebenszyklus

Zielgruppen-bewerbung

Antrags-bearbeitung

Kunden-management

Forderungs-management

Ent

sche

idun

gP

rogn

ose

» 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

» 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


Entwicklungen im Einsatz von Daten


Daten für die Prognoseanalytik – früher und heute

DatentypenDemografie x X X

Negative Auskünfte x X X X

Kontoverhalten X x

anja.plattner

Fehlen in dieser Tabelle Jahreszahlen?? Es wird so nicht klar wann früher und wann heute ist.


Daten für die Prognoseanalytik – früher und heute

DatentypenDemografie x X XGeo-Demografie X x

Negative Auskünfte x X X XPositive Auskünfte X X XAuskunftei-Score x X X XKontoverhalten X xKundenverhalten X X X XFinanzielle Transaktionen X X xNicht-finanzielle Transaktionen X x x xBetrug X X XAnlageprodukte X x X xMarketingmaßnahmen / Reaktionen X X x xForderungsmanagement x x XObjektdatenbanken X XVerifizierungsdaten x X

anja.plattner

Fehlen in dieser Tabelle Jahreszahlen?? Es wird so nicht klar wann früher und wann heute ist.


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 2teilweisekorreliert

Variable 4 nicht

korreliert

Variable 3 korreliert

© 2010 Fair Isaac Corporation. Confidential.13 © 2010 Fair Isaac Corporation. Confidential.13

Die Lösung: Datenmenge und Korrelation

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

» 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.

Positive Aspekte Negative Aspekte


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.

anja.plattner

FITS steht in der Überschrift für Financial Transaction Scores und im Text für Fair Isaac Transaction Scores - Was ist korrekt?


Das Problem: Veränderung der wirtschaftlichen Rahmenbedingungen

» 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.

Problemfelder Anforderungen


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

» 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.

Problemfelder Anforderungen


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

» 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.

Problemfelder Beispiel


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

Lange Implementierungs-zyklen verursachen hoheunrealisierte Potentiale1-4 Wochen

1-3 Monate

4-9 Monate

über 9 Monate

Implementierungsdauer

Quelle: 2008 Fico-Umfrage bei globalen Finanzdienstleistern


Der FICO Model Builder unterstützt Entwicklung und parallele Einsatzvorbereitung

Codegenerieren

Codegenerieren

Modelltesten

Modellentwickeln

Merkmalegenerieren

Dateneinlesentranform.

Modellvalidieren

Bibliothek

Metadaten

Produktions-umgebung(Einsatz)

Produktiv-Daten

WeitereDaten

Implementieren

Daten für Entwicklung, Neuentwicklung und Überwachung

FICO Model Builder


Reibungsverluste können vermieden werden

» Modelle werden als Java-Code ausgeführt und können von niemandem gesehen oder verändert werden.

» Der Modell-Code ist sichtbar und kann durch autorisiertes Personal verändert werden. (z.B. Regelentwicklung, Fachabteilung)

» PMML Integration

White Box (PMML)

Black Box (Java)

Decision Management

BibliothekRule Service

.NET

Rule Service

Java

Code Gen

COBOL

FICO Model Builder


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 derEntwicklungen

Modellüberwachen

Anpassungender Modelle

Einsatz in Produktivumgebung

managen

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

Den Kunden mit all seinen Facetten verstehen

Documents

Transcript of Den Kunden mit all seinen Facetten verstehen