close

Anmelden

Neues Passwort anfordern?

Anmeldung mit OpenID

14.50 BDS15 Graubner-Müller Kreditech

EinbettenHerunterladen
Big Data...
Einsatz in der Consumer
Online Finance-Industrie
Big Data Summit, 25. Februar 2015, Hanau
Alexander Graubner-Müller, CTO & Founder
FAKTEN & ZAHLEN
500% Wachstum 120m USD 35 Sekunden
im Jahr
Issuing Run Rate
für Scoring
20.000 Daten-
Punkte je Antrag
9
Länder
HEUTE: 4 PRODUKTE IN 9 MÄRKTEN
Länder
Produkte
Dynamischer
Kredit-Score
Dynamisches Produktportfolio
LIVE
RAMP-UP
Mikrokredite Ratenkredite Risiko-basierte Prepaid
Kreditkarten
Kredite
“DIGITALE BANK” DER ZUKUNFT
Banken
§  Sind abhängig von Kreditbüros, um Kreditrisiko zu
bewerten
§  Haben hohe Kostenbasis aufgrund von überholten
Prozessen und starren Infrakstrukturen
§  Kunden in Entwicklungsländern werden nicht
erreicht (nur die Elite)
Kreditbüros
§  Nutzen historische Daten mit niedriger Vorhersagekraft
§  Schließen eine hohe Anzahl an kreditwürdigen Kunden,
die “Unbanked”, aus
§  Können in Entwicklungsländern nicht operieren, da keine
Daten vorhanden
Traditionelles Bankgeschäft bedient weder “Unbanked” noch “Underbanked”
DER KUNDE STEHT IM MITTELPUNKT DES SERVICES
Antragsprozess
24 / 7
Besuch der Website (oder
via Mobiltelefon)
§ 
§ 
Auswahl Summe
und Laufzeit
Einreichen des
Antrages
Leicht – Einreichen des Kreditantrags in 3 bis 15
Minuten
Schnell – Direkte Kreditentscheidung und Auszahlung
innerhalb von 15 Minuten
§ 
Bequem – Zugang 24/7 von überall
§ 
Privat – Schaft Vertrauen und ist verbraucherfreundlich
Kreditentscheidung
(30 Sek.)
Auszahlung
(<15 Min.)
§ 
Kein Besuch in der Bankfiliale notwendig
§ 
Kein Warten auf die Kreditentscheidung
sowie die Auszahlung
§ 
Keine Kompromisse für Privatsphäre und
Vertrauen
KEIN ZUGANG ZU FINANZDIENSTLEISTUNG WEGEN FEHLENDER DATEN
Consumer Finance-Markt
Premium-
Kunden
Personen mit
Kredit-Score
Menschen ohne Kredit-Score
Risikoneigung
Regulierungen
Kreditbüro
Personen ohne Kreditscore
KreditScore
27%
Ohne
KreditScore
73%
= 4 Mrd. Individuen
Subprime
% der Unscored /
Individuen mit schlechter Datenqualität
Quelle: IFC / World Bank
ERWACHSENE OHNE KREDIT-SCORE JE REGION
PERU – KREDITECH “BANKING THE UNBANKED”
30,4 Mio.
Finanzielle Einbeziehung
Kreditech in Peru
Bevölkerung
(in % der erwachsenen Bevölkerung)
§  Launch: Juni 2014
Kredit-Score: 41%
§  Ausgegebene Kredite bis heute:
10.000
§  Wachstum monatlich: 40%
Bankkonto: 20%
$6.660
Pro-Kopf-BIP
Debitkarte: 14%
Aber:
MobilfunkVerbreitung: 98%
92%
der Kreditech-Kunden haben
noch nie einen Kredit von einer
Bank erhalten
PERU – ANPASSEN AN LOKALE ANFORDERUNGEN
Antragsprozess für ein Darlehen in Peru
SMS
Kreditantrag
Einreichung online
oder an einem der
10.000 FULLCARGA
POS Terminals überall
in Peru
Scoring
Kunde wird ausreichend
mit Hilfe von Kreditechs
Big Data-basiertem
Scoring Model bewertet
Produkt zum Markteintritt: Mikrokredite
Entscheidung
Via SMS wird eine Nachricht
über die Akzeptanz gesendet
sowie ein Code zur
Verifizierung
Auszahlung
Kunde zeigt den
Verifizierungs-Code am
Kiosk vor und bekommt
das Bargeld ausgezahlt
Produkt-Pipeline
Höhe des Kredits
Bis zu 345 USD
§ 
Ratenkredite
Durchschnittliche
Kredithöhe
140 USD
§ 
Prepaid Kreditkarten
Laufzeit
Bis zu 30 Tage (mit Option zur
Verlängerung)
§ 
Depots
Monatlicher Zins
0 – 35% (je nach Risikoeinschätzung)
PERU – DAS „FILIAL-NETZ“
ALTERNATIVE DATENQUELLEN DIENEN ALS PROXY
„Willingsness to Repay“
„Ability to Repay“
Kunde
Vorteile
§  Reduzierung von Online-Risiken wie Betrug, Identitätsraub
oder Überlisten des Algorithmus
Public
Provider
Personal
Meta
Web Search
Telcos
Behavioral
Device
Public Services
Credit Bureau
Accounts
Location
Geo
Blacklists
Social
Browsing History
Aggregates
Payments
Mobile
§  Alternative Daten werden ad-hoc zum Zeitpunkt der
Risikoschätzung erhoben, keine
“Vorratsdatenspeicherung”
§  Individien haben volle Datenkontrolle, transparenter
Prozess ohne Abhängigkeit der Entscheidung von
Drittparteien §  Informationen sind stets aktuell, Entschiedungen können
innerhalb von Sekunden getroffen werden
§  Daten sind weltweit verfügbar, nicht auf spezifische Länder
oder die Marktreife begrenzt
Bis zu 20.000 Datenpunkte
§  Keine Generalisierung – mehr Daten helfen, individuelle
Situationen zu verstehen. Wie ein Mosaikbild beeinflusst
jeder einzelne Datenpunkt minimal das Gesamtbild
EIGENSTÄNDIGES MACHINE LEARNING FRAMEWORK FINDET NEUE MUSTER
Observation
Seeding
Full dataset of
labeled customers
Form Groups based on
common properties
§  Small Data-Problem: hohe Dimensionalität
(>20.000 Eigenschaften) mit wenigen, sehr
kostspieligen Beobachtungen erfordert
neue Generation Algorithmen
Dataset
20.000 Datapoints for
each observation
Group 1
Group 2
Group 3
§  Einsatz von Machine-Learning zur
Identifikation der besten Musters für
Vorhersagen innerhalb der Daten Group 4
§  Fokus auf Vorhersage, nicht Erklärung von
Verhalten
Classifier 1
Build classifier
for each group
Scoring
For a new customer,
score is calculated
based on similarity to
each group Not Repayers
Repayers
Classifier 2
Classifier 3
Classifier 4
§  Empirische Validierung der Modelle auf
ungefiltertem und repräsentativem
Datensets
§  Modelle werden permanent und
dynamisch optimiert
Score 1
Score 2
Score 3
Final Score
Score 4
§  Einfache Anpassung an neue Länder dank
nahezu identischem Input
0 Sep 14 Aug 14 Jul 14 Jun 14 May 14 Apr 14 Mar 14 Feb 14 Jan 14 Dec 13 Nov 13 Oct 13 Sep 13 Aug 13 Jul 13 Jun 13 May 13 Apr 13 Mar 13 Feb 13 Jan 13 Dec 12 Nov 12 50 Oct 12 Sep 12 Aug 12 KREDIT-SCORE FÜR 2 MIO. MENSCHEN – BEI GLEICHBLEIBENDER QUALITÄT
(in Mio. USD)
60 100% Issued Capital (cumul., lhs) 90% Acceptance Rate (%, rhs) 80% 40 70% 60% 30 50% 40% 20 30% 10 20% 10% 0% MODELING-FRAMEWORK ANGEWENDET AUF ANDERE BEREICHE
Predictions
Observations
Dataset
Credit Default Scoring Model
Debt Collection Efficiency 20.000
Datapoints for
each observation
Limit Model
Financial Capacity
Offer Acceptance / Price
Attractivenes
Customer Acquision
Efficiency
Pricing Model
Modeling
Framework
Collection Model
Marketing Model
Conversion Model
On-page Conversion
Product Recommendation
Customer Lifetime
AUFBAU VON VOLLAUTOMATISIERTEM KUNDEN-LIFE-CYCLE
Heute – Einsatz von Machine-Learning in Kernprozessen
PortfolioVerteilung
Marketing
Scoring
Risikoeinschätzung
Automatisiert
Kundendienst
Cross-Selling/
Laufzeit
Forderungen
Kundendienst
Cross-Selling/
Laufzeit
Forderungen
2016 – Gesamter Kunden-Life-Cycle automatisiert
PortfolioVerteilung
Marketing
Scoring
Risikoeinschätzung
VISION: WELTWEITE FINANZPLATTFORM
Länder
Produkte
Plattform
Dynamischer
Kreditscore
Pers. FinanzManagement
E Wallet / Bankkonto
Dynamische Produktportfolio
LIVE
Mikrokredite Ratenkredite Risiko-basierte Prepaid
Neue eigene Produkte von
Kreditkarten Produkte Drittanbietern
Kredite
KONTAKT
Alexander GraubnerMüller
CTO & Founder
alexander@kreditech.com
+49 176 414 584 68
web:
kreditech.com
twitter:
@kreditech
facebook: /kreditech
Autor
Document
Kategorie
Uncategorized
Seitenansichten
4
Dateigröße
4 291 KB
Tags
1/--Seiten
melden