Implementierung eines Dispokredit Scoring Modells

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?

Data Science Use Cases

Data & AI Wissen

Gemeinsam Mehrwerte aus Data & AI schaffen

Blog

Entdecken Sie Fachartikel rund um Data & AI sowie aktuelle Branchenmeldungen.

Webinare

Tauchen Sie ein in unsere Best Practices und Industry Exchanges. Entdecken Sie neue Termine und Aufzeichnungen vergangener Webinare.

Whitepaper

Mit unseren Whitepapern, Case Studies und Studien erfahren Sie mehr über den Einsatz von Data & AI in Ihrer Branche.