Big Data Credit-Scoring-Modell für eine Direktbank

Migration eines Dispokredit Scoring Modells in die Big Data Infrastruktur zur Vorhersage von Ausfallwahrscheinlichkeiten.



Implementierung eines Random Regression Forest in Spark und H20 (Sparkling Water)



Automatisiertes Retraining des Modells mit aktuellen Daten möglich



Erfüllung aller Anforderungen des Risiko Management

Herausforderung

Eine deutsche Direktbank steht vor der Herausforderung, die Vorhersage von Kreditausfällen in die neue Big Data Infrastruktur zu migrieren. Der Prototyp eines Scoring Modells zur Vorhersage von Kredit-Ausfallwahrscheinlichkeiten aus einem Vorgängerprojekt soll in Spark implementiert werden.

Lösung

Im ersten Schritt werden mehrere mögliche Big Data Technologien für die Implementierung evaluiert. Nach der Evaluation wird das Modell mithilfe der Kombination aus Spark und H20 (Sparkling Water) unter der Verwendung eines Random Regression Forest implementiert.

Ergebnis

Das implementierte Modell kann innerhalb der neuen Big Data Infrastruktur für das Online-Scoring von Kunden genutzt werden. Die Implementierung ermöglicht es, das Modell jederzeit mit aktuellen Daten neu zu trainieren und so die Ausfallrisiken der Bank zu optimieren. Die Anforderung des Risikomanagements werden durch eine Historisierung und Speicherung der Modelle ebenfalls erfüllt.

Haben Sie Interesse an eigenen Use Cases?

Herausforderung

Ein Automobilunternehmen möchte verschiedene marktspezifische Daten visualisieren, um eine Wettbewerbsanalyse für den US-Markt zu ermöglichen.

Lösung

Es wird eine interaktive und flexible Anwendung, einschließlich verschiedener Karten mit zwei verschiedenen Ansichten implementiert.

Ergebnis

Relevante Märkte werden identifiziert, analysiert und visualisiert. Der Händler oder der jeweilige Vertrieb haben die Möglichkeit den direkten Wettbewerb mit dem eigenen Produkt zu vergleichen und die relevanten Daten zu visualisieren.

Kontaktieren Sie unsere Experten