Mit Daten Mehrwert schaffen. Graz - 15/05/2014 Sepp Puwein

Transkript

1 Mit Daten Mehrwert schaffen Graz - 15/05/2014

2 Agenda Daten, Daten, Daten Ablauf eines Credit Checks Scoring Produkt Neuheit: echeck 2

3 Daten, Daten, Daten Identifikation & Information Bonität Publikationen CRIF Recherche Externe Datenquellen Kunden- Einmeldungen Firmenbuch & Gewerberegister Bilanzen Adress- Bestätigungen Edikte (Versteigerungen, Insolvenzen) Adressen Inkassomeldungen 3

4 Ablauf CRIF Credit Check Antrag Einzelne Prüfungen Achtung! STOP! Genehmigung 4

5 CRIF Credit Check Consumer? Blacklists/Kundenlisten Identifikation Antrag Genehmigung Bonität & Score 5

6 Scorekarte Stau nach Grado Fragestellung: Wie wahrscheinlich ist es, dass ich in einen Stau kommen werde, wenn ich am Sa, 12.Juli.2014 um 3h früh nach Grado in den Urlaub aufbreche? Ziel: Ermitteln eines Scoreszwischen 0(kein Stau) und 10(Megastau) Parameter Gewichtung Punkte Wert Uhrzeit der Abfahrt in Wien 20% 19h -5h = 0 5h 19h = 10 20% x 0 = 0 Ferien in DE 10% Nein= 0 Ja = 10 10% x 10 = 1 Wochentag der Anreise 20% So = 0 Mo = 5 Di, Mi = 3 Do = 7 Fr, Sa= 10 20% x 10 = 2 Saison 50% A= 10 B = 5 C = 0 50% x 10 = 5 SCORE 8 (von 10) 6

7 Scorekarte Stau nach Grado Fragestellung: Wie wahrscheinlich ist es, dass ich in einen Stau kommen werde, wenn ich am Sa, 12.Juli.2014 um 3h früh nach Grado in den Urlaub aufbreche? Ziel: Ermitteln eines Scoreszwischen 0(kein Stau) und 10(Megastau) Parameter Gewichtung Punkte Wert Uhrzeit der Abfahrt in Wien 20% 19h -5h = 0 5h 19h = 10 20% x 0 = 0 Ferien in DE 10% Nein= 0 Ja = 10 10% x 10 = 1 Wochentag der Anreise 20% So = 0 Mo = 5 Di, Mi = 3 Do = 7 Fr, Sa= 10 20% x 10 = 2 Saison 50% A= 10 B = 5 C = 0 50% x 10 = 5 SCORE 8 (von 10) 7

8 Scorekarte Kreditrisiko Fragestellung: Wie wahrscheinlich ist es, dass es zu einem Zahlungsausfallkommt, wenn ich einer Person / einem Unternehmen jetzt einen Kredit gebe (Zahlung auf Ziel, Raten etc.)? Ziel: Ermitteln eines Scoreszwischen 250 (Insolvenz) und 750 (kein Zahlungsausfall) Parameter (exemplarisch): SC 0014 version Crif03_C Bisheriges Zahlungsverhalten o Negativeinträge o Offene Forderungen o Höhe der Forderungen Bilanzkennzahlen und Verlauf Bonität der Funktionsträger Gründung Set Next Standort str_dbt_rtio (multivariate) Release Previous Toggle use in sc1 Toggle Single/All Abweichungen zum Branchenschnitt Data Total Good CustBad Cus % bad NoP GoodNoP Bad % bad DV Dv Good Dv Bad % bad Gini ##### Stat min max Extract ,0% ,4% ,3% reversal 0,00% theor. Sample ,9% ,4% ,2% std. dev. 5,41% real Annual ,0% ,4% ,2% S-Card 1 avg Adjust 2 1,0 1,00 0,80 1,44 0,8 2,24 Score Accepted Ext. Perf. 25,83% Int. Perf. 17,44% Refused Extrapolated 21,42% Int. Perf. 16,15% Use SC 1 Single Score Card 1 Score Card 2 Score Card 3 Band Count % good bad %bad good bad %bad Count % good bad %bad good bad %bad Para. Name Gini Gini w Weight w + w + w + 0,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 95,52% 1 app_sex 6,7% 22,0% 9,59% 255,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 91,43% 2 app_zip 22,9% 32,0% 9,98% 22,9% 9,04% 285,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 84,21% 3 app_age 3,9% 20,0% 1,30% 8,9% 2,23% 315,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 72,73% 4 per_dd_update 0,0% 345, ,0 11,6% ,7% ,6% % ,8% ,2% 57,14% 5 per_dd_insert 0,0% 375, ,0 35,9% ,8% ,6% % ,9% ,2% 40,00% 6 per_verified 0,0% 405, ,0 26,2% ,3% ,6% % ,9% ,6% 25,00% 7 per_move_2y_cnt 0,0% 435, ,0 14,8% ,4% ,2% 162 9% ,2% ,3% 14,29% 8 per_phone_cnt 0,0% 465, ,0 11,4% ,2% ,7% 56 3% ,9% ,1% 7,69% 9 per_cs_max 0,0% 495,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 4,00% 10 per_ev_neg_cnt 0,0% 525,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 2,04% 11 per_dd_neg 0,0% 555,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 1,03% 12 per_payment_rtio 0,0% 585,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 0,52% 13 per_ev_neg_gt2_cnt 0,0% 615,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 0,26% 14 fam_dd_insert 0,0% 645,0 0,0 0,0% 0 0 0,0% 0 0 0,0% 0 0% 0 0 0,0% 0 0 0,0% 0,13% 15 fam_dd_update 0,0% TOTAL ,0 100% ,0% ,2% % ,2% ,4% 16 fam_verified -1,5% Colorclasses red 50% yellow 10% green 0% maxbad 20,6% minbad 0,2% maxrealbad 32,7% minrealbad 7,2% 17 fam_age_max 0,0% 0,0% 18 fam_dbt_rtio 0,0% Paremeter 28 Parameter Analysis Backup Computationanl Help 19 fam_dbt_gt2_rtio 0,0% 19% Cluster Analysis Original univar. Regularity 20 fam_phone_cnt 0,0% 12,01% Values weight w.univ. % bad G-Impact cat score weights rev. 21 fam_cs_max 0,0% cat. sc.points % pop. weight weighted std.dev. 81,0 50,0% 45,0% 11,8% 40,3% 5,7% -1,000 81,0 50,0% 0,0% 22 fam_ev_neg_cnt 0,0% -1,00 0,00 100,0 111,0% 75% 5,0% 21,6% 11,0882% 0, ,0 111,0% 0,0% 23 fam_payment_rtio 0,0% 0,0% 110,0% 50,0% 0,0000% 110,0% 0,0% 0,0% 24 hs_dbt_rtio 14,4% 28,0% 8,06% 19,4% 11,38% 20,0% 55,0% 0,8753% 20,0% 0,0% 0,0% 25 hs_dbt_gt2_rtio 14,7% 14,7% 10,72% 0,06 71,0 8,9% 6,5% 0,056 71,0 clusters 0,15 61,0-12,0% 40,0% 11,9% 15,3% 2,3533% 0,151 61,0-12,0% 177,3% 0,0% 26 hs_csact_max 12,3% 16,0% 1,32% 12,3% 1,61% weight 0,35 54,0-32,0% 40,0% 11,9% 14,2% 2,1457% 0,348 54,0-32,0% 163,1% 0,0% 97,0% 80,0% 27 hs_amountopenact 14,1% 14,1% 10,83% -42,0% 50,0% 0,0000% -42,0% 53,5% 0,0% 70,3% 70,4% 28 str_dbt_rtio 14,9% 14,9% 2,46% min -1,0 30,0% 5,36% max 1,0-55,0% 5,0% 19,5% 2,1% 1,8832% -55,0% 70,1% 0,0% 64,7% 69,6% 29 ct_dbt_rtio 11,8% 11,0% 1,95% 11,8% 3,01% avg 0,2 50,0% 50,0% 0,0000% 50,0% 85,4% 0,0% 49,7% 68,1% 30 cty_adract_cnt 3,6% 50,0% 50,0% 0,0000% 50,0% 0,0% 0,0% 31 0% 50,0% 50,0% 0,0000% 50,0% 0,0% 0,0% 32 0% 50,0% 50,0% 0,0000% 50,0% 0,0% 0,0% 33 0% 50,0% 50,0% 0,0000% 50,0% 0,0% 0,0% 34 0% 50,0% 50,0% 0,0000% 50,0% 0,0% 0,0% 35 0% dv_mob_v004_4 50,0% 50,0% 0,0000% 50,0% 0,0% 0,0% 36 0% TOTAL 100,0% 12,007% 70% 37 TOTAL 118% 0 159% 38% 119% 51% 0% 0% Formulas for cluster analysis averagepercent 50,0% 0,00% 113% 8

9 Credit Scoring Ziele: 1.Möglichst wenig Schlechte annehmen Kunden- Anträge 2.Möglichst wenig Gute ablehnen Score- Berechnung Score >= X Score <X Angenommen Abgelehnt 9

10 Credit Scoring Ziele: 1.Möglichst wenig Schlechte annehmen Kunden- Anträge 2.Möglichst wenig Gute ablehnen Score- Berechnung Idealfall: Komplette Trennung der Schlechten von den Guten Score >= X Score <X In der Praxis unmöglich der Score gibt Wahrscheinlichkeiten an Angenommen Abgelehnt 10

11 Credit Scoring Ziele: 1.Möglichst wenig Schlechte annehmen Kunden- Anträge 2.Möglichst wenig Gute ablehnen Score- Berechnung Beispiel I: Wenig nützlicher Score (wenig Trennschärfe) Score >= X Score <X Angenommen Abgelehnt 11

12 CRIF Credit Scoring Ziele: 1.Möglichst wenig Schlechte annehmen Kunden- Anträge 2.Möglichst wenig Gute ablehnen Score- Berechnung Beispiel II: Crif Credit Score Aussagekräftiger Score Score >= Y Y < Score > X Score =< X höchste Trennschärfeim Mitbewerbervergleich Gini-Koeffizient: 75% Prüfen! Angenommen Abgelehnt 12

13 echeck-was? WO? WIE? WAS? Der echeckermöglicht eine schnelle, kostengünstige und effiziente Überprüfung von Privatkunden im e-commerce auf das Vorhandensein eventueller Ausfallsrisiken. WO? Die Einsatzgebiete sind in erster Linie: Prüfung von nicht garantierten Kleinbetragstransaktionen Prüfung von garantierten Transaktionen mit hohen Ausfalls-Prozesskosten Vorprüfungen bei der Registrierung zu Internet-Services (zb. für Zahlungsverfahren, Abos) WIE? Der echecküberprüft die zur angefragten Person in der CRIFDatenbank gespeicherten Adress-und Bonitätsinformationen. Als Ergebnis liefert der echeck entweder GRÜN oder GELB. GRÜN bedeutet, dass CRIFkeine Informationen bekannt sind, die gegen eine Geschäftsabwicklung mit dem Kunden sprechen könnten. Bei GELB empfiehlt sich die Überprüfung der Details mittels des CRIF CreditCheckConsumer, der eine differenziertere Bewertung des Risikos ermöglicht. Der echecksteht als SOAP/XML Webservice zur Verfügung und kann einfach und schnell in die Software und Prozesse des Kunden integriert werden (zb. Webshop, Remote Wallet, Payment Plattform). 13

14 Ablauf echeck was steckt unter der Haube? Identifikation Exisitiert die Person? Bonitätsprüfung Ausfallsrisiko? For review OK 14

15 Tel.: Mobile.: