Banken
Für Finanzinstitute und Fintechs in Spanien
Bewilligungsmodelle auf Basis klassischer Variablen, die kreditwürdige Kunden ohne formale Kredithistorie unterschätzen oder frühe Warnsignale im bestehenden Portfolio übersehen.
Betrugsmuster entwickeln sich ständig weiter – Karten, Überweisungen, Kontoübernahmen –, während regelbasierte Systeme Wochen hinterherhinken.
Massenkampagnen mit niedriger Conversion, weil das Produkt das falsche Segment zur falschen Zeit erreicht. Der Kunde sieht das Hypothekenangebot drei Monate, nachdem er es gebraucht hätte.
Fragen zu Transaktionen, Produkten und Vorgängen überlasten Callcenter und App mit Anliegen, die ein Modell in Sekunden lösen könnte.
01
Modelle, die das klassische Scoring um Variablen aus dem Transaktionsverhalten, Kontonutzungsmuster, Signale zum Zahlungsverhalten und alternative Datenquellen ergänzen. Bessere Trennschärfe zwischen guten und schlechten Zahlern – und Zugang zu Segmenten, die mit klassischem Scoring unterversorgt bleiben.
Was sich ändert
Frühe Zahlungsausfälle im neuen Portfolio, in dem das Modell eingesetzt wird, um 15–25 % reduziert. Höhere Bewilligungsquote für kreditwürdige Kunden ohne formale Historie.
02
Modelle bewerten jede Transaktion in Millisekunden anhand der normalen Verhaltensmuster des Kontoinhabers: Betrag, Uhrzeit, Standort, Frequenz und Abfolge. Verdächtige Transaktionen werden blockiert oder zusätzlich verifiziert – normale verursachen keine Reibung.
Was sich ändert
Die Betrugserkennungsrate steigt gegenüber statischen Regelsystemen um 40–60 %. Weniger Fehlalarme (blockierte legitime Transaktionen) – weniger Reibung für den Kunden.
03
Ein Affinitätsmodell für Produkte (Hypothek, Privatkredit, Fonds, Versicherung), trainiert auf dem Kundenverhalten: Gehaltsänderungen, Sparbewegungen, anstehende Fälligkeiten. Der Kundenberater erhält das richtige Angebot für den richtigen Kunden zum richtigen Zeitpunkt.
Was sich ändert
Die Kampagnen-Conversion steigt gegenüber nicht personalisierten Kampagnen um 25–40 %. Kunden erhalten relevante Angebote – nicht den gesamten Katalog.
04
Ein Assistent in App, Website und WhatsApp beantwortet Fragen zu Transaktionen, Kontoständen, Produkten, Vorgängen und Beschwerden. Er kennt den Kundenkontext und übergibt an einen Berater, wenn Verhandlung oder echte Komplexität gefragt sind.
Was sich ändert
55–70 % weniger einfache Anfragen im Callcenter. Banking-App mit sofortiger Antwort auf die 80 häufigsten Fragen. Berater haben Zeit für Kunden mit hohem Wert.
05
Modelle erkennen Signale einer Bonitätsverschlechterung im bestehenden Portfolio: veränderte Ausgabemuster, steigende Kreditauslastung, unregelmäßige Zahlungen. Der Berater erhält Warnungen 60–90 Tage, bevor eine Zahlung ausfällt.
Was sich ändert
Die Rückholquote bei früher Bearbeitung ist 3- bis 5-mal höher als nach dem Ausfall. Geringere Risikovorsorge durch weniger Zahlungsausfälle in proaktiv betreuten Portfolios.
3–4 Wochen
Audit der verfügbaren Daten, der Qualität von Kredit- und Transaktionshistorie und der kritischen Prozesse. Wir identifizieren die 2–3 Fälle mit einem ROI, der vor dem Risikokomitee besteht.
10–16 Wochen
Umsetzung eines verbesserten Scorings, der Betrugserkennung oder der Portfolioüberwachung für ein definiertes Produkt oder Segment.
6–10 Monate
Für Institute, die KI in Risiko, Betrug, Angeboten und Service auf einer gemeinsamen Datenarchitektur bündeln wollen.
Compliance ist eine Designvorgabe. Scoring- und Betrugsmodelle werden mit dokumentierter Erklärbarkeit (genutzte Variablen, relative Gewichtung, Entscheidungslogik), formalem statistischem Backtesting und Dokumentation für Prüfungen durch die Aufsicht oder die interne Compliance entwickelt. Die EBA-Leitlinien zum Einsatz von ML in der Kreditvergabe sind Teil des Entwicklungsrahmens.
Mit der passenden Rechtsgrundlage (berechtigtes Interesse bei Betrug, Vertragserfüllung beim Scoring) ja. Der Datenschutzbeauftragte des Instituts ist von Anfang an eingebunden, um Rechtsgrundlage und Verarbeitung zu prüfen. Die Daten verlassen den Rahmen des Instituts nicht.
Die Datenkonsolidierung ist in Bankprojekten fast immer das erste Ergebnis. Die Diagnose zeigt genau, welche Daten in welchem Silo liegen, und schlägt die Integrationsarchitektur vor. Das ist kein Hindernis – das ist Projektarbeit.
Diagnose: 8.000–15.000 €. Pilotprojekt (Scoring oder Betrug für ein Produkt): 45.000–90.000 € je nach Volumen und Komplexität. Komplette Plattform: ab 150.000–300.000 € über mehrere Monate. Bei mittelgroßen Instituten deckt der ROI aus vermiedenem Betrug oder geringeren Zahlungsausfällen das Pilotprojekt meist im ersten Jahr.
Ein perfekter Ausgangspunkt. Wir prüfen es, finden heraus, wo es Wert liegen lässt (unterbewertete Segmente, ungenutzte Variablen, übersehene Warnsignale), und schlagen schrittweise Verbesserungen oder ein parallel laufendes Challenger-Modell vor, bevor das bestehende ersetzt wird.