Wenn ein finanzieller Engpass droht, möchte man diesen als Kunde natürlich schnellstmöglich überbrücken und wählt daher den Weg einen Privatkredit zu beantragen. Dafür kann manuell eine Kreditanfrage gestellt werden, wo die persönlichen Daten, die Einnahmen und Ausgaben und der Kreditwunsch erfasst werden.

Die Bank analysiert, auch auf Basis der bisher vorhandenen Daten, die Informationen und kommt zu einer Kreditentscheidung. In der Vergangenheit mussten Berater jede Kreditentscheidung manuell aufbereiten und analysieren, was nicht nur aufwendig war, sondern auch für den Kunden wertvolle (Warte-) Zeit gekostet hat. Wie kann man das schneller ermöglichen? Durch den Einsatz von decision engines können Kreditentscheidungen deutlich einfacher, schneller und unkomplizierter abgebildet werden. 

Hier gibt es mehrere Wege: insbesondere bietet sich hier ein gesteigertes Kundenerlebnis durch eine maschinelle Kreditentscheidung im Rahmen einer Online Kreditanfrage an. Das heißt, dass der Kunde seine Kreditanfrage online bei einer Bank oder einem Kreditportal erfassen und innerhalb weniger Klicks mithilfe einer decision eingine eine vollautomatisierte Kreditentscheidung erhalten kann. 

Wie funktioniert das? 

Hinter der decision engine verbirgt sich ein Regelmanagement, welches, basierend auf verschiedenen Merkmalen und Regeln, automatisiert prüft und auswertet, wie eine Kreditentscheidung ausfällt. 

In diesem Regelmanagement können z.B. folgende Regeln/Merkmale hinterlegt werden: 

  • Ist die Kapitaldienstfähigkeit gegeben 

  • Kann ggf. eine weitere bzw. andere Kreditrate getragen werden? 

  • Wohnt der Kunde zur Miete, oder hat er Eigentum? 

  • Was hat der Kunde für einen Scorewert bei der Schufa bzw. im eigenen Haus? 

  • Sind Sperren vorhanden? 

  • Gibt es (weitere) Negativmerkmale, die beim Kunden hinterlegt sind? 

  • etc. 

Die decision engine entscheidet regelbasiert darüber, ob ein Kredit bewilligt, abgelehnt oder an einen Berater weitergeleitet wird und funktioniert daher wie ein Ampelsystem: 

  • nur positive Merkmale, keine Negativmerkmale = grün 

  • positive und neutrale Merkmale = gelb 

  • vorhandene Negativmerkmale= rot 

Bei ausschließlich positiven Merkmalen wird der Kredit über die decision engine maschinell bewilligt. 

Sollte es zu einem Gelbfall kommen, erfolgt die automatisierte Weiterleitung in die entsprechende Fachabteilung, die die Kreditentscheidung überprüft und manuell votiert. 

Bei einem Rotfall erfolgt die Ablehnung des Kredites und eine entsprechende Information an den Kunden, dass der Kredit derzeit nicht gewährt werden kann. 

Die decision engine bietet eine enorme Vereinfachung und Arbeitserleichterung in der Kreditentscheidung für das Mengenkreditgeschäft, da Kredite schnell und einfach vergeben werden können und der Kunde unmittelbar darüber informiert wird. 

Nicht außer Acht zu lassen ist natürlich der aufsichtsrechtliche Aspekt, denn die maschinelle Kreditentscheidung bedarf einer regelmäßigen Kontrolle durch die Bank. Die Durchführung von Stichproben ist daher signifikant, da die Einhaltung der Kreditvergaberichtlinien von der Bank gewährleistet werden müssen. 

Hierfür empfiehlt sich eine intitutsindividuelle Volumensobergrenze (Gesamtvolumen und je Einzelkredit). Aus Risikominimierungsgesichtspunkten empfehlen wir den Einsatz einer decision engine im standardisierten Mengenkundengeschäft mit einem Einzelkreditvolumen bis 20 TEUR. 

Um unplanbares Kreditvolumen durch automatisierte Abschlüsse im Internet zu beherrschen, ist eine Obergrenze im Gesamtvolumen der maschinell zu bewilligenden Kredite empfehlenswert. Aus der Praxis hat sich bewährt, dass der Vorstand einen festen Betrag festlegt und diesen bei Bedarf erweitert bzw. die Überprüfung des Modells im Rahmen dieser Erweiterung durchgeführt wird. 

Die Etablierung einer decision engine kann durch onlinefähige bzw. digitale Prozesse noch effizienter eingesetzt werden. Sofern beispielsweise die Prozesse soweit digitalisiert sind, das im Rahmen des Workflows PDFs generiert und archiviert werden, ist das Kundenerlebnis nochmals gesteigert.  
In jedem Fall empfehlen wir vor dem Einsatz einer decision engine eine Optimierung der betroffenen Kreditprozesse, um die Abläufe optimal auf die neuen Gegebenheiten anzupassen. Gern unterstützen wir Sie bei der Optimierung der Kreditprozesse, da wir hier vielfältige Erfahrungen aus verschiedenen Instituten mitbringen. 

Möchten Sie auch gerne Kreditentscheidungen schneller und effizienter in Ihrem Hause treffen und decicion engines implementieren, dann sprechen Sie uns gerne an. Gerne diskutieren wir mit Ihnen, wie Ihre Kreditvergaberichtlinien sinnvoll in eine decision engine überführt werden können. 

Neuen Kommentar schreiben

Ihre E-Mail Adresse wird nicht veröffentlicht.

NEUESTE BEITRÄGE

Werde Werkstudent bei ITGAIN
29.11.2022

Werde Werkstudent bei ITGAIN

Sören Schmock

Als Werkstudent bei ITGAIN verdienst du neben deinem Studium nicht nur Geld, sondern sammelst wertvolle Erfahrung für dein späteres Berufsleben. Dabei achten wir darauf, dass du in der Regel zwischen 16 und 20 Stunden in der Woche arbeitest, da dein Hauptfokus auf dem Studium liegen soll.
Der Werkstudentenjob bei ITGAIN kann für dich der erste Schritt ins Berufsleben und ein Türöffner für deine eigene Entwicklung sein. Bei uns lernst du strategisch zu denken, zu präsentieren und dein Projekt zu managen. Du eignest dir zudem Soft Skills, wie den Umgang mit Kollegen, den Umgang mit Stress und Kritikfähigkeit an.

Expertise
Konzeption einer Data Governance-Initiative für einen Finanzdienstleister
13.10.2022

Konzeption einer Data Governance-Initiative für einen Finanzdienstleister

Team Data Governance

ITGAIN unterstützt in der stark regulierten Finanzbranche ein mittelständisches Bankinstitut bei der Umsetzung einer Data Governance-konformen Datenstrategie. Der Fokus liegt auf dem Ausgestalten, der durch Regularien wie BCBS239, MaRisk u. a. vorgeschriebenen Anforderungen. Hierbei werden alle relevanten Unternehmensbereiche, beginnend von der Kundenansprache, über Finanzbuchhaltung und Controlling bis hin zum Risikomanagement, betrachtet.

Data Engineering
Wichtige Details bei der Anbindung von DataStage an Snowflake
04.10.2022

Wichtige Details bei der Anbindung von DataStage an Snowflake | Umzug eines DWH auf eine Snowflake - Teil 6

Christian Hagen

In diesem letzten Teil der Blogreihe über einen Umzug von Oracle zu Snowflake wollen wir uns genauer die Besonderheiten in Jobs ansehen, auf die du bei der Anpassung der DataStage Jobs achten musst.

Data Engineering