Machine Learning trifft auf Kreditvergabe

Keyfacts:

• Der Einsatz von Machine Learning in der Kreditvergabe eröffnet neue Möglichkeiten zur Optimierung der individuellen Preisgestaltung.
• Machine-Learning-Modelle ermöglichen effizientere und individuellere Kreditpreise, die den Kreditprozess für alle Beteiligten attraktiver machen.
• Eine umfassende Datenbasis ist die Grundlage für die Vorhersage der Preissensitivität von potenziellen Kund:innen.

Um das Nutzerverhalten auf Social-Media-Plattformen zu analysieren, Wettervorhersagen zu verbessern oder Anomalien in Sicherheitssystemen zu erkennen – Machine Learning, ein wichtiger Zweig der künstlichen Intelligenz, ist heute bereits vielseitig im Einsatz. Durch die Fähigkeit, komplexe Muster in großen und vielfältigen Datensätzen zu identifizieren, ist Machine Learning besonders gut für Branchen geeignet, die auf der Analyse und Interpretation von Daten beruhen, so auch der Finanzsektor. Einer von vielen Anwendungsfällen ist die Verbesserung von Pricing- Modellen für Kreditprodukte.

Machine-Learning-Modelle als Lösungsansatz für die Optimierung der Kreditvergabe

Der traditionelle Ansatz der Kreditvergabe umfasst Kreditbewertungsmodelle, die unter anderem Faktoren wie verfügbares Einkommen, SCHUFA-Score und Kreditkonditionen (Laufzeit, Höhe, Sicherheiten etc.) berücksichtigen. Daraus errechnet sich das individuelle Ausfallrisiko, aus dem sich unter Berücksichtigung der Risikobereitschaft des Finanzinstituts ein Angebot für die Kundin oder den Kunden ergibt. Das hat zur Folge, dass zwei Kund:innen mit gleichem Ausfallrisiko und gleichen Kreditkonditionen das gleiche Angebot erhalten. Obwohl sie in der Regel unterschiedliche Zinssätze zu zahlen bereit sind, wird die individuelle Preiselastizität der Kund:innen in den Pricing- Modellen aber meistens nicht berücksichtigt.

Ein denkbarer Lösungsansatz besteht darin, moderne Machine-Learning-Modelle anhand von Kundendaten darauf zu trainieren, mit welcher Wahrscheinlichkeit eine Kundin oder ein Kunde ein Angebot annimmt, und diese Information zur Optimierung der Kreditvergabe zu nutzen. Diese Strategie ist nicht neu und wurde bereits in anderen Branchen, zum Beispiel der Luftfahrtindustrie, umgesetzt. Fluggesellschaften wenden dynamische Preisstrategien an und nutzen künstliche Intelligenz, um vorherzusagen, wie Kund:innen auf unterschiedliche Ticketpreise reagieren. Diese passen die Preise basierend auf Faktoren wie Buchungszeitpunkt, Nachfrage und Kundenprofil an, um den Umsatz zu maximieren. Eine ähnliche Methodik ist auch für das Pricing von Bankprodukten wie Krediten denkbar.

Der Weg zu einer KI-basierten Preisgestaltung

Die erste und wichtigste Voraussetzung für die Implementierung eines solchen Systems ist eine umfassende und aussagekräftige Datenbasis. Nützlich sind Datenpunkte, die eine starke Korrelation mit den Interessen, Präferenzen und Verhaltensweisen der Kund:innen aufweisen und somit präzise Vorhersagen und zielgerichtete Entscheidungen ermöglichen. Diese Daten stammen in der Regel aus früheren Kundeninteraktionen und Kreditgeschäften des Finanzinstituts und enthalten sowohl quantitative als auch qualitative Merkmale. Besonders geeignet sind beispielsweise

• Kreditkonditionen (Kredithöhe, Laufzeit, Sicherheiten etc.) und die Information, ob das Angebot angenommen wurde
• Bonitätsinformationen (SCHUFA-Score, Einkommen, bestehende Verbindlichkeiten etc.)
• Demografische Daten (Alter, Beruf etc.)
• Funnel-Daten, wie zum Beispiel die Herkunft des Leads (Google, Vergleichsportal etc.) oder die Zeitspanne zwischen erster Interaktion und Antragstellung

Grundsätzlich gilt: Je mehr Variablen zur Verfügung stehen, desto genauer und granularer kann die Preissensitivität einer Kundin oder eines Kunden vorhergesagt werden. Ebenso wichtig wie die Quantität ist jedoch die Qualität der Daten. Die Daten müssen bereinigt, strukturiert und sorgfältig verwaltet werden, um Verzerrungen zu beseitigen, den Datenschutz zu gewährleisten und die gewünschte Prognosegenauigkeit zu erreichen.

Nachdem die Daten gesammelt und aufbereitet wurden, kann das Machine-Learning-Modell erstellt und trainiert werden. Vereinfacht gesagt, wird ein Modell mit den historischen Daten darauf trainiert, für jedes Angebot die Wahrscheinlichkeit vorherzusagen, mit der die Kundin oder der Kunde das Kreditangebot zu einem bestimmten Zinssatz annimmt.

Training mit neuen Daten zur Ableitung der Kundensensibilität auf Zinssätze

Zur Performance-Beurteilung des Modells eignet sich der sogenannte AUROC-Score. Das Akronym steht für „Area Under the Receiver Operating Characteristic“. Dieser Wert, der zwischen 0 und 1 liegen kann, ist ein Maß dafür, wie gut das Modell die beiden Klassen – in unserem Fall „Angebot annehmen“ und „Angebot ablehnen“ – voneinander unterscheiden kann. Ein AUROC-Score von 1 bedeutet, dass das Modell alle Fälle perfekt klassifiziert. Ein Score von 0,5 würde dagegen bedeuten, dass die Vorhersagen nicht besser sind als zufälliges Raten. Erfahrungen aus dem Bereich Healthcare zeigen, dass ein Score von mehr als 0,7 angestrebt werden sollte, um das Pricing-Modell zu optimieren.

Nach dem Training wird das Modell mit neuen, bisher ungesehenen Daten getestet. Für jede:n potenzielle:n Neukund:in werden zwei Wahrscheinlichkeiten berechnet: Die Annahmewahrscheinlichkeit zum Standardzinssatz und die zu einem leicht erhöhten Zinssatz (z.B. + 100 Basispunkte), ein Basispunkt entspricht einem Hundertstel eines Prozents, was bedeutet, dass 100 Basispunkte einem Prozent entsprechen. Daraus lässt sich ableiten, wie sensibel die Kundin oder der Kunde auf den Zinssatz reagiert und wie dieser entsprechend gestaltet werden sollte. Fortschritte im Bereich der künstlichen Intelligenz ermöglichen es, nicht lineare und komplexe Beziehungen zwischen Zinssätzen und Annahmewahrscheinlichkeiten zu modellieren.

Regulatorisch konforme Kreditpreisgestaltung im Zeitalter der KI

Der Einsatz von Machine Learning in der Kreditvergabe eröffnet neue Möglichkeiten zur Optimierung der individuellen Preisgestaltung. Durch die Vorhersage des Kundenverhaltens können Finanzinstitute ihre Preisstrategie optimieren und ihre Rentabilität und/oder ihren Umsatz steigern.

Machine-Learning-Modelle versprechen eine Zukunft mit effizienteren, effektiveren und individuelleren Kreditpreisen, die den Kreditprozess sowohl für Kreditgeber als auch für Kreditnehmer attraktiver und vorteilhafter machen. Die Integration dieser fortschrittlichen Technologien in die Preismodelle der Kreditwirtschaft ist keine Frage des „Ob“, sondern nur eine Frage des „Wann“. Wichtig ist, dass von Anfang an nicht nur auf die Korrektheit der Daten und Modelle geachtet wird, sondern dass sich die Beteiligten auch zu ethischem Handeln verpflichten.

Dabei dürfen die Herausforderungen nicht übersehen werden. So benötigen Banken eine verlässliche Historie an Kundendaten, um die Konvergenz der Klassifizierungsmodelle zu gewährleisten. Darüber hinaus ist es gerade im Hinblick auf den aktuell diskutierten AI-Act der Europäischen Union entscheidend, dass Kreditinstitute ihre KI-Modelle auf die Einhaltung der entsprechenden regulatorischen Anforderungen überprüfen. Im Rahmen des AI-Acts ist vor allem ausschlaggebend, ob das vorgeschlagene Modell so ausgestaltet ist, dass es als nicht risikobehaftete Anwendung eingestuft werden kann. Darüber hinaus müssen selbstverständlich die Mindestanforderungen an das Risikomanagement eingehalten werden.