Maximilian Baritz/ Januar 29, 2019/ Uncategorized

Mit Data Analytics werden aus unsortierten Daten Erkenntnisse gewonnen. Das gilt auch für den Unternehmenssektor. Mit der richtigen technischen Unterstützung können Compliance-Anforderungen leichter eingehalten und neue Potenziale erschlossen werden.

Viele Unternehmen im Banking-Umfeld speichern große Mengen an Daten, die oft brachliegen oder nur unzureichend genutzt werden. Durch den Einsatz von Analyse- und Vorhersagemethoden auf diesen Daten sollen Wirtschaftlichkeitspotentiale entdeckt und genutzt werden. Ein Ziel ist es, das Risiko- und Preismanagement zu verbessern, beispielsweise durch die Erhöhung der Genauigkeit von Credit-Scores. Außerdem soll das Kundenerlebnis verbessert und die Einhaltung von Compliance-Anforderungen erleichtert werden. Angebote können personalisiert, neue Cross-Selling Möglichkeiten identifiziert und die Kundenabwanderung kontrolliert werden. Ein weiterer Punkt ist die Steigerung der operativen Effizienz, welche durch Automatisierung manueller Prozesse und das dynamische Skalieren von Ressourcen erreicht werden kann.

Durch die aus den Daten neu gewonnenen Erkenntnisse lassen sich für die Unternehmen außerdem neue Business-Modelle identifizieren. Anonymisierte Kundendaten können monetarisiert werden und neue Einblicke in das Kundenverhalten ermöglichen eine verbesserte Marktanalyse.

Data Mining

Unter Data Mining versteht man die Transformation von Rohdaten in nützliche Information. Data Mining lässt sich in zwei Unterbereiche unterteilen. Einerseits kann Wissen ermittelt werden aus strukturierten Daten, wie zum Beispiel Transaktionslogs, Aktivitätsprofile oder andere Inhalte aus Datenbanken. Mithilfe aktueller Machine Learning-Methoden wie Natural Language Processing und Deep-Learning kann allerdings auch aus unstrukturierten Daten Wissen abgeleitet werden. Beispiele für unstrukturierte Daten sind Dokumente mit Fließtexten, Bilder oder auch Videodaten. Einen beispielhaften Anwendungsfall stellt die Compliance-Prüfung von Verträgen, beliebigen Scans oder E-Mail Schriftverkehr dar. Ein anderer Anwendungsfall wären Social-Media und Sentiment-Analysen. Durch die Analyse von Texten und alternative Datenquellen (wie sozialen Netzwerken) bezüglich eines Suchbegriffs, wird eine positive oder negative Stimmung erkannt.

Descriptive Analytics

Als weiterer Teil der Data Analytics beschäftigt sich Descriptive Analytics mit der vergangenheitsbezogenen Auswertung von Daten und ermöglicht es, Zusammenhängen innerhalb der ausgewerteten Daten zu erkennen. Hier verwendete Verfahren sind unter anderem Clusteranalyse und Klassifikation. Beim Clustering werden Ähnlichkeitsstrukturen in Datenbeständen gefunden. Jeder Datensatz wird einem bestimmten Cluster zugeordnet. Das Ziel ist hierbei, neue Gruppen (Cluster) in den Daten zu identifizieren. Auch die Klassifikation beschäftigt sich mit der Zuordnung von Datensätzen zu bestimmten Gruppen. Im Gegensatz zur Clusteranalyse sind die Gruppen allerdings im Vorfeld definiert. Eine beispielhafte Anwendung für eine Clusteranalyse stellt die aktivitätsbasierte Segmentierung von Kundengruppen dar. Diese Methoden werden durch eine Visualisierung der Daten, wie beispielsweise der Darstellung von Zahlungsströmen als Netzwerkgeflecht, unterstützt.

Predictive Analytics

Predictive Analytics verwendet historische Daten, um zukünftige Ereignisse vorherzusagen. Erst wird anhand der historischen Daten ein mathematisches Modell erstellt. Dieses prädiktive Modell wird dann auf aktuelle Daten angewendet, um Vorhersagen zu treffen. Mögliche Einsatzgebiete sind beispielsweise Fraud-Prevention, Anti-Abuse, Credit-Scoring, Vorhersage von Kundenabwanderung und Vorhersage von Kursbewegungen.

 

Beispiele

Verhaltensbasierte Kundensegmentierung (Clustering)

Mit einem Clustering-Verfahren wurde eine verhaltensbasierte Kundensegmentierung auf pseudonymisierten Transaktionsdaten durchgeführt. Die Kunden wurden anhand von Transaktions-Volumen und Transaktionshöhe den Kategorien Low, Medium & High zugeordnet.

Input – Die Kunden werden anhand ihrer Transaktionsaktivität visualisiert

Output – Jeder Kunde wurde einer der drei Kundensegmente (LOW, MEDIUM, HIGH) zugeordnet

Plausibilitätsprüfung von Transaktionen (Prediction)

Anhand historischer Transaktionsdaten wurde ein mathematisches Vorhersagemodell erstellt. So kann für zukünftige Transaktionen die Transaktionshöhe vorhergesagt werden. Sobald eine Transaktion zu stark von ihrer Modellvorhersage abweicht, wird ein Alarm ausgelöst und die Transaktion kann manuell verifiziert werden.

Extraktion von Kennzahlen aus Geschäftsberichten (Data Mining)

Um Geschäftsberichte nicht mehr manuell auswerten zu müssen, können mit Hilfe von Data Mining automatisiert wichtige Kennzahlen aus Geschäftsberichten im PDF-Format extrahiert werden und als Entscheidungshilfen im Risiko- und Chancenprozess herangezogen werden.

Maximilian Baritz

Über Maximilian Baritz

Maximilian Baritz, Jahrgang 1993, erwarb seinen Master-Abschluss in Informatik am Karlsruher Institut für Technologie und ist seit 2018 für die targens GmbH tätig. Als Manager des Data Analytics Fachbereiches verantwortet er alle Themen rund um KI und Machine Learning.