Financial Analytics

Aufgabe:
Zahlungsausfälle durch Kreditkartenschulden – die machen aktuell bis zu achtstellige Beträge allein in Deutschland aus. Finanzdienstleister, Hotellerie, Gastronomie und Handel – alle stehen vor der selben Frage: Wird ein potenzieller Kunde bzw. Schuldner zahlen oder nicht? Und wenn nicht, welche Zahlungsausfälle drohen?

Vorgehensweise:
Im Gegensatz zur Modellierung einer logistischen Regression mit all ihren Schwächen setzen wir auf modernste Methoden wie Ensemble-Modelle. Beispiel: Die Random-Forest-Methode führt hierbei zu signifikant akkurateren Prognosen. Sie ist im Machine Learning eine bewährte Lernmethode, unter anderem zur Klassifizierung und Regressionsanalyse.

Zielsetzung:
Schnelle und nachvollziehbare Entscheidungen mit einfachem Algorithmus, leicht zu verstehen und flexibel anwendbar: Welche Methoden führen bei welcher Datenstruktur zum besten Ergebnis? Geht eine bessere Prognosengüte mit höherer Rechenkomplexität einher? Welche Faktoren sind bei der automatisierten Kreditvergabe entscheiden und welche bleiben uns verborgen?

Fazit:
Random Forest eignet sich besonders für die Verarbeitung großer Datenmengen mit vielen Klassen, Merkmalen und Trainingsdaten und liefert eine bemerkenswerte Ergebnis- und Prognosepräzision.

Das wollen Sie auch? Dann kontaktieren Sie uns jetzt!

Eingesetzte Frameworks