Intern | Der CreditManager
2019 wollten wir deshalb untersuchen , ob wir die Inkasso-Kolleg * innen mit software-basierten Vorhersagen unterstützen können . Gleichzeitig wollten wir Handlungsempfehlungen formulieren und neue Algorithmen testen “, beschrieb er die Aufgabe bei Allianz Trade im Rückblick .
Zunächst habe es noch gut ausgesehen : „ Wir verfügten über eine sechsstellige Zahl an Datensätzen aus den vergangenen zehn Jahren und gingen zuversichtlich an die Arbeit . Doch dann kam Corona – und alle alten Daten verloren ihre Bedeutung . Außerdem legten alle Staaten Hilfsprogramme in ungekannten Dimensionen auf , was die Analyse noch schwieriger machte . Dann hatten wir die Idee , Daten aus der Finanzkrise 2008 / 2009 einzubeziehen “, so Alby .
Doch es habe sich herausgestellt , dass diese Krise einen ganz anderen Charakter hatte und völlig andere Branchen betroffen waren . „ Was haben wir daraus gelernt ? Zum Beispiel , dass die Mitarbeitenden das zu lösende Problem als solches wahrnehmen . Nur Menschen können Kontexte verstehen , wenn sich die Welt ändert . Und : Unkontrollierbare Variable machen es einer KI unmöglich , Muster zu erkennen . Fazit : Wir brauchen Menschen , wir brauchen Euch !“
Schnelles Feedback
Waldemar Faltenberg , Regional Manager – DACH bei der Provenir Group , beleuchtete anschließend , wie es gelingen kann , „ Durch KI gestützte Prozesse das Credit Management auf die nächste Stufe zu heben “. Aufgrund der Komplexität des Themas stellt sich grundsätzlich die Frage : Wo sollte man anfangen ? Dafür gab Waldemar Faltenberg drei pragmatische Tipps : „ Identifizieren Sie zunächst Bereiche , in denen Sie schnelles Feedback erhalten können . Wählen Sie anschließend einen Aspekt aus dem Kundenlebenszyklus , auf den Sie sich konzentrieren , z . B . die Preisgestaltung , damit Sie kurzfristig Erfolge sehen können . Und suchen Sie abschließend nach Bereichen , in denen sich KI oder Machine Learning positiv auf Ihre GuV auswirken wird , damit sie nach kurzer Zeit den Return on Invest erhalten .“
Abschließend warf er einen Blick in die Zukunft der KI-Nutzung in der prädiktiven Analytik . Schlagworte wie visuelle Orchestrierung der Prozesse , schneller Zugriff auf Daten und KI-gestützte Einblicke in Modelle prägen die entsprechenden Entwicklungen . Und worauf kommt es bei technischen Lösungen für die Beurteilung von Kreditrisiken an ? „ Benutzerfreundlichkeit , Implementierungszeit , Flexibilität und Skalierbarkeit .“
Weniger Variable
Wie schneiden einfache Prognosemodelle mit weniger Variablen gegenüber komplexen Algorithmen mit einer Vielzahl von Variablen ab ? Diese Frage beleuchtete Dr . Niklas Keller , Co- Founder der Simply Rational GmbH , unter dem Titel „ Interpretierbare KI : Machine Learning-Modelle , die für Nutzer leicht verständlich sind “. Zunächst erläuterte er , was psychologische KI ist und wo ihre Vorteile in der Vorhersage liegen . „ Unsere Algorithmen sind einfacher , haben weniger Parameter und weniger Variable als vielfach angewendete Prognose- modelle . Sie sind transparenter und robuster , da sie weniger anfällig für Schwankungen zwischen Trainingsdaten und Einsatz sind . Außerdem zeichnen sie sich durch eine höhere Trennschärfe aus und bieten dadurch genauere Vorhersagen .“ Ein konkretes Beispiel nannte er aus dem Bereich Prognosen von Bonitätsrisiken . „ Wir haben den Scoring-Algorithmus für die Schufa von 130 auf 16 Variable reduziert , was zu einer 5 Prozent höheren Trennschärfe geführt hat - und der Score ist total transparent .“
Die Wahl des passenden Modells hänge letztlich vom wirtschaftlichen Umfeld ab . Wenn alles stabil sei , dann seien komplexe Modelle gut anwendbar . Wenn die Situation jedoch unsicher und dynamisch sei , funktionierten einfache und robuste Modelle besser . In der gegenwärtigen Zeit empfehle er deshalb einfache aber robuste Modelle .
Weitere Master Classes beschäftigten sich mit Themen wie Insolvenzpraxis , ESG und Inkasso . „ Auch auf dem Bundeskongress 2024 wird es wieder eine Reihe von Master Classes zu aktuellen Themen geben “, kündigt Jan Schneider-Maessen an .
Frank Wöbbeking
Dr . Niklas Keller berichtete über einfache Algorithmen mit wenigen Variablen .
13