Machine Learning: Wie sich damit das Kreditrisiko besser bewerten lässt

Wie aus dem Bericht „Explainability: ML and AI in credit decisioning“ von Experian hervorgeht, kann der Einsatz von Machine Learning zu einer genaueren Bewertung von „guten“ und „schlechten“ Kunden führen. Letztendlich können Unternehmen so ihre Einnahmen erhöhen und ihre Betriebskosten senken. Jedes Unternehmen, das ML einsetzt, muss jedoch sicherstellen, dass die Ergebnisse vollständig erklärbar sind. Andernfalls riskieren sie Geldstrafen und einen möglichen Reputationsverlust.

Verbesserte Vorhersagekraft der ML-Modelle

Einer der größten Vorteile von Modellen für Machine Learning ist die Verbesserung der Vorhersagekraft. So kann der Gini-Koeffizient, der zur Bewertung der Wirksamkeit von Kreditrisikomodellen herangezogen wird, im Vergleich zu herkömmlichen Modellen ohne maschinelles Lernen um durchschnittlich 20 Prozent erhöht werden. Je vorausschauender oder genauer die Modelle sind, desto mehr Gewinn lässt durch eine bessere Bewertung des Kreditrisikos erzielen.

Die Verfügbarkeit neuer Datenquellen in Verbindung mit der Leistungsfähigkeit des Cloud-Computing macht den ML-Einsatz für Unternehmen noch attraktiver. Die Leistung von ML-Modellen verbessert sich tendenziell, wenn mehr Daten zum Trainieren eines Modells zur Verfügung stehen. Bei der Bewertung des Kreditrisikos hat der Einsatz von Advanced Analytics zur Nutzung und Analyse großer Datenmengen dazu geführt, dass Unternehmen mehr Datenquellen und Variablen in ihre Entscheidungslogik einbeziehen können. Ein gutes Beispiel dafür ist die Verwendung von Transaktionsdaten aus dem Open Banking, die eine viel größere Informationstiefe für die Kreditrisikomodellierung bieten.

Einteilung der Transaktionsdaten in verschiedene Kategorien

Mittels Machine Learning werden die Transaktionsdaten in verschiedene Einkommens- und Ausgabenkategorien eingeteilt. So können sie problemlos in die Modellierungsphase einfließen, in der sich ML wiederum zur Entwicklung eines individuellen Scores verwenden lässt. Auf diese Weise kann ML alternative Daten nutzen, um Kunden besser zu beurteilen, deren Datensatz bisher als „zu dünn“ galt, und so mehr Kunden Zugang zu Dienstleistungen bieten sowie die finanzielle Integration fördern.

Machine Learning kann durch die Analyse großer Datenmengen, sowohl strukturierter als auch unstrukturierter, und nichtlinearer Beziehungen in den Daten in sehr kurzer Zeit zu besseren Vorhersagen und Entscheidungen führen. So können Unternehmen ihre Entscheidungsfindung weitgehend automatisieren. Dies senkt nicht nur die Betriebskosten, sondern ermöglicht auch eine schnellere Entscheidung ohne manuelle Prüfung. Die somit verkürzte „Time to Yes“ führt zu einem besseren Kundenerlebnis und somit zu mehr Umsätzen.

Hindernisse bei der Einführung von Machine Learning

Trotz der offensichtlichen Vorteile zögern viele Unternehmen noch, Machine Learning einzusetzen. In einer von Experian in Zusammenarbeit mit Forrester Consulting durchgeführten Studie erwies sich die mangelnde Erklärbarkeit als das größte Hindernis für die Einführung von ML. Insbesondere weil der Einsatz von ML für Kreditentscheidungen teils noch in den Kinderschuhen steckt, gibt es Bedenken bei den Unternehmen. Zudem werden Unternehmen durch einen Mangel an internem Wissen und Know-how zurückgehalten.

Laut Gartner hat dieser Mangel an Fachwissen dazu geführt, dass nur etwa die Hälfte der Projekte, die Methoden der Künstlichen Intelligenz beinhalten, in den Produktivbetrieb übergehen. Unternehmen müssen darum Tools finden und nutzen, die es ihnen ermöglichen, ML-Modelle zu entwickeln und einzusetzen, ohne dass sie in großem Umfang in Data Scientists und Entwickler investieren müssen. Ein gutes Beispiel hierfür ist Ascend Analytics on Demand, das einen kollaborativen Ansatz von internen und externen Kräften ermöglicht. Unternehmen erhalten nicht nur eine sehr funktionale analytische Umgebung, sondern, wenn notwendig, auch eine kontinuierliche Unterstützung der Mitarbeiter.

Ethische und juristische Vorbehalte gegenüber Machine Learning

Ein anderes potenzielles Hindernis für den Einsatz von Machine Learning sind grundsätzliche Zweifel, ob dieser ethisch und juristisch vertretbar ist. ML-Systeme lernen weitgehend eigenständig anhand von Daten, und bei vielen Algorithmen sind die Wirkungszusammenhänge in den resultierenden Modellen nicht offensichtlich. Darum wird oft von einer „Black Box“ gesprochen, deren Ergebnisse nicht transparent und erklärbar seien. Das ist in vielen Fällen nicht akzeptabel, sicher dann, wenn es um Entscheidungen über Kreditwürdigkeit, Erschwinglichkeit und Betrug geht. Es gibt heute noch keine perfekten technischen Methoden, die Erklärbarkeit zu fassen. Die rechtlichen und datenschutzrechtlichen Anforderungen sind an einigen Stellen noch offen und darum schwer zu definieren. Nichtsdestotrotz gibt es Werkzeuge, um stabile und rechtskonforme KI­-Systeme zu entwickeln, die Mehrwerte schaffen, verständlich und sicher sind sowie im Einklang mit unseren gesellschaftlichen Werten stehen. Eine detailliertere Ausführung findet sich in dem Whitepaper „Erklärbarkeit – Zentraler Werthebel zum erfolgreichen Einsatz von KI“.

Betrugspräventions-Lösung AI:drian bietet zuverlässige Vorhersagen

Bei der auf Machine Learning basierenden Betrugspräventions-Lösung AI:drian hat Experian auch durch eine unabhängige Überprüfung belegen können, dass diese Hürden nicht unüberwindbar sind. Das Fraunhofer-Institut für Produktionstechnik und Automatisierung (IPA) hat die ML-Komponente von AI:drian untersucht, und ist zu dem Schluss gekommen, dass diese zuverlässige und nachvollziehbare Vorhersagen trifft, die zu verbesserten Entscheidungen führen. In der aktuellen Situation ohne klare gesetzliche oder regulatorische Vorgaben für den Einsatz von Machine Learning sollten Unternehmen ihrer Verantwortung durch derartige unabhängige Prüfungen gerecht werden. Das gilt schon aus Eigeninteresse, damit eventuellen Einwänden von Beginn an der Wind aus den Segeln genommen wird. ML-Modelle sind definitiv bereit zum Einsatz.

Über den Autor: Martin Baumann ist Director Analytics bei Experian DACH. Experian ist Anbieter von Informations- und IT-Dienstleistungen. 2020 hat das Unternehmen einen Mehrheitsanteil an dem Geschäftsbereich Risk Management von Arvato Financial Solutions erworben. Damit wurde Experian DACH als Dienstleister für Risiko-, Fraud- und Identitäts-Management neu aufgestellt. Bei Bedarf entwickelt das Unternehmen unternehmensspezifische Lösungen, insbesondere für Großkunden. Experian DACH investiert kontinuierlich in Technologien, Innovationen und Mitarbeiter, um Kunden den bestmöglichen Output zu liefern. (sg)

Lesen sie auch: Maschinelles Lernen: Wie diese Technik den Datenschutz bei KI verbessert