Integrated Model \u2013 so k\u00f6nnen Banken beim Kreditantrag bis zu 30% an Betriebsausgaben (OpEx) sparen<\/h1>\n<\/div><\/div><\/div><\/div><\/div><\/div><\/div>\n<\/p>
Feinjustierte Modelle k\u00f6nnen Banken dabei helfen, die Betriebskosten beim Kreditantrag deutlich zu senken, bessere Entscheidungen zu treffen und sogar Betrugsversuche schneller zu erkennen. Gerade in der aktuell f\u00fcr viele Kreditnehmer schwierigen wirtschaftlichen Situation lohnt sich die Arbeit, denn das Ausfallrisiko ist zuletzt deutlich angestiegen.<\/strong><\/p>\nEine solide Datenbasis ist aber Voraussetzung, um alle Facetten des Kunden wie unterm Brennglas analysieren zu k\u00f6nnen. Unser Banken-Experte Dietmar Nussb\u00f6ck sieht gro\u00dfe Vorteile im Aufsetzen eines \u201eIntegrated Models\u201c. In diesem Artikel zeigen wir auf, wie es sich zusammensetzt. <\/strong><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div>Antragsscore<\/strong>: F\u00fcr die Ermittlung dieses Scores werden allgemeine demographische und finanzielle Daten ber\u00fccksichtigt. Also: In welchem Einzugsgebiet wohnt der Kreditantragsteller, wie alt ist er; aber auch: Wie viel verdient er, wie lange ist er firmenzugeh\u00f6rig, in welcher Branche arbeitet er, etc.<\/p>\nDiese Daten gibt der Antragssteller selbst ein, alternativ k\u00f6nnen die Daten teilweise per Open Banking in die Anwendung eingespeist werden. \u201eAus den Informationen werden KPIs wie zum Beispiel die Loan-to-Income- (LTI) oder Debt-to-Income-Ratio (DTI) ermittelt\u201c, erkl\u00e4rt Dietmar Nussb\u00f6ck<\/a>. Die Decision Engine unserer L\u00f6sung wird dann auf Basis der Daten entsprechend programmiert, um erste Entscheidungen zu treffen. \u201eIch m\u00f6chte als Bank vielleicht keinen unbesicherten 50.000-Kredit an einen 18-j\u00e4hrigen Antragsteller vergeben\u201c, so Dietmar Nussb\u00f6ck. F\u00e4lle wie dieser, werden also von der Decision Engine fr\u00fch im Antragsprozess aussortiert.<\/p>\nVerhaltensrating:<\/strong> Diese Kennzahl wird aus den Daten generiert, die der Bank bereits zur Verf\u00fcgung stehen. Das kann zum Beispiel die bisherige Transaktions- oder R\u00fcckzahlungshistorie der bestehenden Verbindlichkeiten des Antragstellers sein. Am effizientesten ist die Kombination des Verhaltensratings mit der laufenden Progression des Schufa-Scores.<\/p>\nBeispiel: Kunde A, nimmt innerhalb von 3, 6 oder 9 Monaten laufend Finanzierungsprodukte auf. Hier sollte die Bank anhand der \u00fcbertragenen Betr\u00e4ge die Verschuldungsquote eng beobachten. Sie kann auch als Fr\u00fcherkennungsindikator genutzt werden.<\/p>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div><\/div><\/div>OPEN CREDIT \u2013 LOAN ORIGINATION<\/strong><\/h2>\nEine konsequente Digitalisierung und Beschleunigung des Finanzierungsprozesses ist f\u00fcr Banken zwingend notwendig, um wettbewerbsf\u00e4hig zu bleiben. Mit unserer digitalen Kreditantragsstrecke gestalten Sie den gesamten Kreditprozess zu einer schlanken und reibungslosen Kundenreise.<\/p>\n
\n- Bew\u00e4ltigen Sie das h\u00f6here Kreditvergabevolumen dank einer vollst\u00e4ndig digitalen End-to-End Kreditantragsstrecken Software.<\/li>\n
- Erh\u00f6hen Sie Ihre Kundenbindung und -zufriedenheit dank schneller Prozesse und intuitiver Benutzeroberfl\u00e4chen.<\/li>\n
- Reduzieren Sie Aufwand und Risiken durch die intelligenten Workflows mit integrierter KI.<\/li>\n<\/ul>\n<\/div>
\n<\/p>
<\/div> <\/div> Sie sehen gerade einen Platzhalterinhalt von YouTube<\/strong>. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfl\u00e4che unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.<\/p> Mehr Informationen<\/a> <\/div> Inhalt entsperren<\/a> Erforderlichen Service akzeptieren und Inhalte entsperren<\/a> <\/div> <\/div> <\/div><\/div><\/div><\/div>\n<\/p>
\n<\/p>
Mehr Info<\/span><\/a><\/div>\n<\/p><\/div><\/div>
<\/div><\/div><\/div><\/div><\/div><\/div>\n<\/p>
Externe Daten:<\/strong> Gemeint ist hiermit die Einbeziehung der Daten sowohl von Banking Credit Bureaus (BCB) \u2013 zum Beispiel Schufa \u2013 oder von Non-Banking Credit Bureaus (NBCB) wie Crif, Arvato, Infoscore, etc. Aus Sicht unseres Experten lohnt sich aus Kostengr\u00fcnden bei der Antragsstellung eine Vorfilterung mittels NBCB-Informationen. Das sind zum Beispiel Negativdaten aus dem Bereich E-Commerce. \u201eWenn hier Antragssteller schon fr\u00fch ausgefiltert werden k\u00f6nnen, ist das pro Abruf in der Regel g\u00fcnstiger, als direkt BCB zu nutzen\u201c, sagt Dietmar Nussb\u00f6ck. F\u00fcr gew\u00f6hnlich sind die St\u00fcckpreise der Negativauskunfteien bis zu 50% g\u00fcnstiger und die schnellere Entscheidung verringert im weiteren Verlauf Time-to-Decision (TTD), Time-to-Yes (TTY) oder Time-to-Cash (TTC).<\/p>\nTake-up-Model:<\/strong> Eingearbeitet werden sollte auch die Abschlusswahrscheinlichkeit. Sie kann auf Basis von Daten zum biometrischen Verhalten des Antragstellers errechnet werden. Also zum Beispiel: Wie oft war Antragsteller A auf der entsprechenden Landingpage, wie oft hat er welchen Kreditbetrag errechnet, hat er sich auf einen Betrag festgelegt, mit der Laufzeit gespielt, wo im Prozess hat er zur\u00fcckgeklickt um zu sehen, welchen Zinssatz er bekommen w\u00fcrde, etc.<\/p>\nDiese Kennzahl ist insbesondere bei einer Zusammenarbeit mit Affiliate-Partnern wie Check 24 interessant. \u201eKreditnehmer, die innerhalb einer kurzen Zeit umschulden, sind ein Problem f\u00fcr die Bank\u201c, so Dietmar Nussb\u00f6ck.<\/p>\n
Risk-based Pricing: <\/strong>Ziel des Risk-based Pricing ist die Einpreisung des aufkommenden Risikos f\u00fcr jeden einzelnen Kredit. \u201eDies ist trotz der Modelle nicht immer zu 100 Prozent umsetzbar, aber man kann damit seine Zielgruppen steuern\u201c, so Dietmar Nussb\u00f6ck.<\/p>\nNPV-Model:<\/strong> Dieses Modell beschreibt den Kapitalwert des Kredites, es vereint alle Ausgaben, die mit dem Kredit verbunden sind, zum Beispiel Acquisition Cost, Cost of Capital, OpEx-Cost, Marketingkosten, Personalausgaben. Gerade letztere k\u00f6nnen durch einen h\u00f6heren Automatisierungsgrad deutlich abgesenkt werden.<\/p>\nJedes dieser Modelle errechnet am Ende einen Score, der \u2013 auf Wunsch gewichtet \u2013 in das Integrated Model flie\u00dft und zu einem finalen Gesamtscore subsummiert werden kann. \u201eGenau diesen Workflow k\u00f6nnen wir im Sinne eines Entscheidungsbaums auf Basis der verschiedenen Variablen in unserer Loan-Origination-L\u00f6sung abbilden\u201c, so Dietmar Nussb\u00f6ck. \u201eDadurch k\u00f6nnen wir sehr viel genauere Entscheidungen herbeif\u00fchren, die einen gro\u00dfen Kostenvorteil mit sich bringen.\u201c<\/p>\n
F\u00fcr die Konfiguration eines Integrated Models gibt es abh\u00e4ngig von der Datenlage verschiedene Ans\u00e4tze und M\u00f6glichkeiten. Ist die Datenlage hingegen d\u00fcnn, ist die Erstellung schwierig. Dietmar Nussb\u00f6ck: \u201eEine Bank ohne Data Science Unit oder Model Unit sollte gegebenenfalls alternativ auf einen regelbasierten Decision Tree zur\u00fcckgreifen.\u201c \u00a0<\/strong><\/p>\nDer Bankenexperte empfiehlt au\u00dferdem darauf zu achten, dass Variablen und Gewichtungen in der Software unkompliziert gemanagt werden k\u00f6nnen, ohne dass f\u00fcr jede \u00c4nderung ein Change Request an den Software-Provider geschickt werden m\u00fcsse. Denn das erh\u00f6he die laufenden Kosten deutlich.<\/p>\n
Info:<\/strong> Sie ben\u00f6tigen weitere Informationen? Sprechen Sie uns an: https:\/\/collenda.com\/de\/kontakt\/<\/a><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/div><\/div>
\n<\/p>
Feinjustierte Modelle k\u00f6nnen Banken dabei helfen, die Betriebskosten beim Kreditantrag deutlich zu senken, bessere Entscheidungen zu treffen und sogar Betrugsversuche schneller zu erkennen. Gerade in der aktuell f\u00fcr viele Kreditnehmer schwierigen wirtschaftlichen Situation lohnt sich die Arbeit, denn das Ausfallrisiko ist zuletzt deutlich angestiegen.<\/strong><\/p>\n Eine solide Datenbasis ist aber Voraussetzung, um alle Facetten des Kunden wie unterm Brennglas analysieren zu k\u00f6nnen. Unser Banken-Experte Dietmar Nussb\u00f6ck sieht gro\u00dfe Vorteile im Aufsetzen eines \u201eIntegrated Models\u201c. In diesem Artikel zeigen wir auf, wie es sich zusammensetzt. <\/strong><\/p>\n<\/div><\/div><\/div> Antragsscore<\/strong>: F\u00fcr die Ermittlung dieses Scores werden allgemeine demographische und finanzielle Daten ber\u00fccksichtigt. Also: In welchem Einzugsgebiet wohnt der Kreditantragsteller, wie alt ist er; aber auch: Wie viel verdient er, wie lange ist er firmenzugeh\u00f6rig, in welcher Branche arbeitet er, etc.<\/p>\n Diese Daten gibt der Antragssteller selbst ein, alternativ k\u00f6nnen die Daten teilweise per Open Banking in die Anwendung eingespeist werden. \u201eAus den Informationen werden KPIs wie zum Beispiel die Loan-to-Income- (LTI) oder Debt-to-Income-Ratio (DTI) ermittelt\u201c, erkl\u00e4rt Dietmar Nussb\u00f6ck<\/a>. Die Decision Engine unserer L\u00f6sung wird dann auf Basis der Daten entsprechend programmiert, um erste Entscheidungen zu treffen. \u201eIch m\u00f6chte als Bank vielleicht keinen unbesicherten 50.000-Kredit an einen 18-j\u00e4hrigen Antragsteller vergeben\u201c, so Dietmar Nussb\u00f6ck. F\u00e4lle wie dieser, werden also von der Decision Engine fr\u00fch im Antragsprozess aussortiert.<\/p>\n Verhaltensrating:<\/strong> Diese Kennzahl wird aus den Daten generiert, die der Bank bereits zur Verf\u00fcgung stehen. Das kann zum Beispiel die bisherige Transaktions- oder R\u00fcckzahlungshistorie der bestehenden Verbindlichkeiten des Antragstellers sein. Am effizientesten ist die Kombination des Verhaltensratings mit der laufenden Progression des Schufa-Scores.<\/p>\n Beispiel: Kunde A, nimmt innerhalb von 3, 6 oder 9 Monaten laufend Finanzierungsprodukte auf. Hier sollte die Bank anhand der \u00fcbertragenen Betr\u00e4ge die Verschuldungsquote eng beobachten. Sie kann auch als Fr\u00fcherkennungsindikator genutzt werden.<\/p>\n<\/div><\/div><\/div> Eine konsequente Digitalisierung und Beschleunigung des Finanzierungsprozesses ist f\u00fcr Banken zwingend notwendig, um wettbewerbsf\u00e4hig zu bleiben. Mit unserer digitalen Kreditantragsstrecke gestalten Sie den gesamten Kreditprozess zu einer schlanken und reibungslosen Kundenreise.<\/p>\n \n<\/p> Sie sehen gerade einen Platzhalterinhalt von YouTube<\/strong>. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfl\u00e4che unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.<\/p> Mehr Informationen<\/a> <\/div> \n<\/p> \n<\/p> \n<\/p><\/div><\/div> \n<\/p> Externe Daten:<\/strong> Gemeint ist hiermit die Einbeziehung der Daten sowohl von Banking Credit Bureaus (BCB) \u2013 zum Beispiel Schufa \u2013 oder von Non-Banking Credit Bureaus (NBCB) wie Crif, Arvato, Infoscore, etc. Aus Sicht unseres Experten lohnt sich aus Kostengr\u00fcnden bei der Antragsstellung eine Vorfilterung mittels NBCB-Informationen. Das sind zum Beispiel Negativdaten aus dem Bereich E-Commerce. \u201eWenn hier Antragssteller schon fr\u00fch ausgefiltert werden k\u00f6nnen, ist das pro Abruf in der Regel g\u00fcnstiger, als direkt BCB zu nutzen\u201c, sagt Dietmar Nussb\u00f6ck. F\u00fcr gew\u00f6hnlich sind die St\u00fcckpreise der Negativauskunfteien bis zu 50% g\u00fcnstiger und die schnellere Entscheidung verringert im weiteren Verlauf Time-to-Decision (TTD), Time-to-Yes (TTY) oder Time-to-Cash (TTC).<\/p>\n Take-up-Model:<\/strong> Eingearbeitet werden sollte auch die Abschlusswahrscheinlichkeit. Sie kann auf Basis von Daten zum biometrischen Verhalten des Antragstellers errechnet werden. Also zum Beispiel: Wie oft war Antragsteller A auf der entsprechenden Landingpage, wie oft hat er welchen Kreditbetrag errechnet, hat er sich auf einen Betrag festgelegt, mit der Laufzeit gespielt, wo im Prozess hat er zur\u00fcckgeklickt um zu sehen, welchen Zinssatz er bekommen w\u00fcrde, etc.<\/p>\n Diese Kennzahl ist insbesondere bei einer Zusammenarbeit mit Affiliate-Partnern wie Check 24 interessant. \u201eKreditnehmer, die innerhalb einer kurzen Zeit umschulden, sind ein Problem f\u00fcr die Bank\u201c, so Dietmar Nussb\u00f6ck.<\/p>\n Risk-based Pricing: <\/strong>Ziel des Risk-based Pricing ist die Einpreisung des aufkommenden Risikos f\u00fcr jeden einzelnen Kredit. \u201eDies ist trotz der Modelle nicht immer zu 100 Prozent umsetzbar, aber man kann damit seine Zielgruppen steuern\u201c, so Dietmar Nussb\u00f6ck.<\/p>\n NPV-Model:<\/strong> Dieses Modell beschreibt den Kapitalwert des Kredites, es vereint alle Ausgaben, die mit dem Kredit verbunden sind, zum Beispiel Acquisition Cost, Cost of Capital, OpEx-Cost, Marketingkosten, Personalausgaben. Gerade letztere k\u00f6nnen durch einen h\u00f6heren Automatisierungsgrad deutlich abgesenkt werden.<\/p>\n Jedes dieser Modelle errechnet am Ende einen Score, der \u2013 auf Wunsch gewichtet \u2013 in das Integrated Model flie\u00dft und zu einem finalen Gesamtscore subsummiert werden kann. \u201eGenau diesen Workflow k\u00f6nnen wir im Sinne eines Entscheidungsbaums auf Basis der verschiedenen Variablen in unserer Loan-Origination-L\u00f6sung abbilden\u201c, so Dietmar Nussb\u00f6ck. \u201eDadurch k\u00f6nnen wir sehr viel genauere Entscheidungen herbeif\u00fchren, die einen gro\u00dfen Kostenvorteil mit sich bringen.\u201c<\/p>\n F\u00fcr die Konfiguration eines Integrated Models gibt es abh\u00e4ngig von der Datenlage verschiedene Ans\u00e4tze und M\u00f6glichkeiten. Ist die Datenlage hingegen d\u00fcnn, ist die Erstellung schwierig. Dietmar Nussb\u00f6ck: \u201eEine Bank ohne Data Science Unit oder Model Unit sollte gegebenenfalls alternativ auf einen regelbasierten Decision Tree zur\u00fcckgreifen.\u201c \u00a0<\/strong><\/p>\n Der Bankenexperte empfiehlt au\u00dferdem darauf zu achten, dass Variablen und Gewichtungen in der Software unkompliziert gemanagt werden k\u00f6nnen, ohne dass f\u00fcr jede \u00c4nderung ein Change Request an den Software-Provider geschickt werden m\u00fcsse. Denn das erh\u00f6he die laufenden Kosten deutlich.<\/p>\n Info:<\/strong> Sie ben\u00f6tigen weitere Informationen? Sprechen Sie uns an: https:\/\/collenda.com\/de\/kontakt\/<\/a><\/p>\n<\/div><\/div><\/div>OPEN CREDIT \u2013 LOAN ORIGINATION<\/strong><\/h2>\n
\n
![\"zombieunternehmen\"](\"https:\/\/collenda.com\/wp-content\/uploads\/2021\/01\/zombieunternehmen-300x195.jpg\")
<\/p>\n<\/div>![\"zombiesangst](\"https:\/\/collenda.com\/wp-content\/uploads\/2020\/12\/zombie-angst-mittelstand-1-300x169.jpg\")
<\/p>\n<\/div>