Geschäftsoptimierung
Pricing, Scoring, Rating mit maschinellem Lernen
Für den Kreditantragsprozess wird der Credit Spread benötigt. Der Credit Spread sollte den Expected Credit Loss des Einzelgeschäfts berücksichtigen. Alternativ zu klassischen Methoden des Scoring, Rating und der PD-Ermittlung kann die Ermittlung auch mit maschinellem Lernen erfolgen auf der Grundlage einer Performance-Datenbank, die mit Deep Learning gefüllt wurde.
FlexFinance stellt einen API bereit, welcher in den Kreditantragsprozess integriert werden kann.
Durch maschinelles Lernen den pwECL verbessern
Die wesentlichsten Auswirkungen auf die Gesamtbanksteuerung ergeben sich aus der Einführung des Expected Credit Loss-Ansatzes zur Berücksichtigung des Kreditrisikos in der externen Rechnungslegung.
IFRS 9 verlangt die Segmentierung von finanziellen Vermögenswerten auf der Grundlage ähnlicher Kreditrisikomerkmale. Für jedes Segment muss der erwartete Kreditausfall unter Berücksichtigung wahrscheinlichkeitsgewichteter makroökonomischer Szenarien berechnet werden.
Im Gegensatz zur klassischen Segmentierung/Portfoliobildung von Krediten bietet FlexFinance die ECL-Berechnung auf Basis des maschinellen Lernens an.
Kreditüberwachung, Frühwarnung mit maschinellem Lernen
Die Anwendung überwacht die bereits kontrahierten Kredite. Es werden nicht nur Kunden und Vertragsdaten berücksichtigt, sondern es fließen auch makro- und mikorökonomische Einflussfaktoren ein, die natürlich das Kreditmanagement auch beeinflussen. Basierend auf Deep-Learning-Prozessen und maschinellem Lernen identifiziert die EWS-Applikation Kriterien, die auf eine wirtschaftliche Notlage hindeuten.
Die EWS-Applikation initiiert einen Workflow beim Eintreffen von bestimmten Ereignissen. Diese Ereignisse könnten z. B. auch die Varianz des ECL sein. Die Workflowaktionen könnten auch so mit Vertragsterminen gekoppelt werden, dass realistische Handlungsoptionen bestehen.
