Berechnungsgrundlage für die Bonitätsauskunft

Die Bonitätsauskunfte basieren auf einem sorgfältig entwickelten Modell, das speziell dazu dient, die Wahrscheinlichkeit eines Zahlungsausfalls eines Unternehmens möglichst präzise vorherzusagen. Im Zentrum der Berechnung steht die Integration mehrerer wichtiger Variablen, die als Indikatoren für die finanzielle Stabilität und Zahlungsfähigkeit eines Unternehmens dienen.

Das zugrunde liegende Modell verwendet den Randomforest-Algorithmus, eine fortschrittliche Ensemble-Methode, die darauf ausgelegt ist, robuste und zuverlässige Vorhersagen zu liefern. Der Randomforest kombiniert die Ergebnisse vieler Entscheidungsbäume, die auf zufällig ausgewählten Datensätzen und Variablen trainiert werden. Durch diesen Ansatz wird sichergestellt, dass das Modell nicht nur präzise, sondern auch generalisierungsfähig ist.

Ein wesentlicher Vorteil des Randomforest-Algorithmus liegt in seiner Fähigkeit, sowohl komplexe als auch nicht-lineare Beziehungen zwischen den Variablen zu erkennen. Dies ist insbesondere bei Bonitätsbewertungen entscheidend, da finanzielle Daten oft komplexe Abhängigkeiten und Muster aufweisen.

Besonders in Klassifikationsproblemen, wie der Bewertung von Ausfallwahrscheinlichkeiten, hat sich der Randomforest als eine der zuverlässigsten Methoden erwiesen. Seine hohe Genauigkeit, kombiniert mit einer natürlichen Robustheit gegenüber Ausreißern und Rauschen in den Daten, macht ihn zu einem idealen Werkzeug für Bonitätsanalysen.

Modellgüte

Die Modellgüte bei Bonitätsauskünften wird durch statistische Metriken gemessen, die die Genauigkeit und Vorhersagekraft des Modells quantifizieren. Eine der wichtigsten Kennzahlen in diesem Bereich ist der AUC-Wert (Area Under the Curve). Der AUC-Wert misst, wie gut das Modell zwischen positiven und negativen Klassen unterscheiden kann – in diesem Fall zwischen solventen und insolventen Unternehmen.

Was ist der AUC-Wert?

Der AUC-Wert basiert auf der ROC-Kurve (Receiver Operating Characteristic), die den Zusammenhang zwischen der True Positive Rate und der False Positive Rate bei unterschiedlichen Schwellenwerten darstellt.

Ein AUC-Wert von:

0.5 zeigt an, dass das Modell keine Trennschärfe besitzt (ähnlich wie ein Zufallsgenerator).
1.0 bedeutet perfekte Vorhersagen, d.h., das Modell trennt solvente und insolvente Unternehmen fehlerfrei.

Unser Modell erreicht einen AUC-Wert von 0.87

Das Modell, das für die Erstellung der Bonitätsauskünfte verwendet wird, erreicht auf den Testdaten einen AUC-Wert von 0.87. Dieser Wert zeigt, dass das Modell eine gute Trennschärfe besitzt und die Unternehmen mit hoher Wahrscheinlichkeit korrekt in solvent und insolvent einordnet.

Ein AUC-Wert von 0.87 gilt in der Praxis als sehr gut und weist auf ein leistungsstarkes Modell hin. Besonders im Bereich des Kreditscorings, wo die Daten oft komplex und schwer zu trennen sind, zeigt dieser Wert, dass das Modell eine hohe Vorhersagekraft hat. Damit liefert es eine verlässliche Grundlage für Bonitätsbewertungen.

Bedeutung für die Praxis

Ein AUC-Wert von 0.87 bedeutet, dass das Modell mit einer Wahrscheinlichkeit von 87 % ein zufällig ausgewähltes insolventes Unternehmen höher einstuft als ein zufällig ausgewähltes solventes Unternehmen. Diese Genauigkeit ist entscheidend für die Verlässlichkeit der Bonitätsauskunft, da sie das Risiko minimiert, solvente Unternehmen fälschlicherweise als insolvent einzustufen oder umgekehrt. Ein gutes Modell wie dieses trägt dazu bei, fundierte und faire Entscheidungen zu treffen – sei es bei der Vergabe von Krediten oder der Bewertung finanzieller Risiken.