Data Science in der Automobilbranche

Beispiel: Modellierung und Bewertung von Leasingverträgen

Eine zentrale Herausforderung für Leasingunternehmen ist es, den Restwert eines Fahrzeuges genau zu bestimmen. Hierbei wird mit Restwert der Kfz-Wert zur Beendigung eines Vertrages bezeichnet, welcher erst zu diesem Zeitpunkt über die Schwacke-Liste ermittelt werden kann. Es ergeben sich viele interessante Fragestellungen:

• Wie entwickelt sich der Kfz-Wert über die Vertragslaufzeit?
• Welche Vertrags-/ Kfz- Eigenschaft beeinflusst den Restwert maßgeblich?
• Welcher Wert des Leasingvertrags soll über die Laufzeit in den Büchern stehen?
• Welche Summe muss bereitgestellt werden, um das Risiko zu decken?

Um diese Fragen zu beantworten, haben wir ein Modell entwickelt, welches für Leasingverträge den Restwert in Abhängigkeit der Restlaufzeit vorhersagt und Aussagen über die Genauigkeit dieser Prognosen macht. Mit zunehmender Nähe zum Vertragsende nimmt diese Genauigkeit stets zu. 

Im Vergleich mit den Schwacke-Prognosen erreicht unser Modell niedrigere mittlere quadratische Abweichungen zu den tatsächlichen Restwerten. Mit anderen Worten liefert es verlässlichere Vorhersagen sowohl zu Vertragsbeginn als auch während der Laufzeit und stellt eine signifikante Verbesserung des Standardansatzes dar.

Beispiel: Umsatzprognosen in der Kfz-Finanzierung

Captive-Finance-Unternehmen erleben eine große Nachfrage nach Kfz-Finanzierungsmöglichkeiten. Allerdings ergeben sich erfahrungsgemäß nicht aus allen Anfragen tatsächlich realisierte Verträge. Die Anforderung nach höherer Planungssicherheit führt Finanzdienstleistende zu Fragestellungen wie:

• Wie hoch ist die Wahrscheinlichkeit, dass eine Anfrage in einem Umsatz resultiert?
• Wie viel Zeit vergeht zwischen einer Anfrage und dem Umsatz, den sie möglicherweise generiert?

Zur Beantwortung dieser Fragen modellieren wir  Abrechnungswahrscheinlichkeiten und die Verteilung der Abrechnungsdauer mit einem datengetriebenen Ansatz. Damit lässt sich der Umsatz aus dem Finanzierungsgeschäft tagesgenau prognostizieren.

Beispiel: Interaktive Analyse von Gebrauchtwagengarantien für Kraftfahrzeuge

Einige Versicherer bieten Gebrauchtwagengarantien an: Das sind Versicherungen gegen vorzeitigen Verschleiß oder Defekte von Fahrzeugteilen. Sie sind wichtig für Fahrzeughalter:innen, denn sie mindern nach Ende der Neuwagengarantie das Risiko hoher Folgekosten. Aber die Anbietenden dieser Versicherungsprodukte müssen natürlich auch auf deren Wirtschaftlichkeit achten.

Unsere Software unterstützt die Kund:innen beim Zusammenführen von Daten aus verschiedenen Quellen und aggregiert diese automatisch zu einem effizient nutzbaren Datensatz. Sie bietet zudem neue Möglichkeiten zur explorativen Datenanalyse. Eine weitere innovative Entwicklung ist
eine spezifische Auffälligkeitsdetektion: Mit Verfahren aus Statistik und Maschinellem Lernen wird automatisiert in den Daten nach auffälligen Mustern gesucht. Durch die gewonnenen Erkenntnisse werden folgende Verbesserungen ermöglicht:

• eine bessere Kontrolle von Werkstätten
• eine effizientere Antragsprüfung
• eine wirtschaftlichere Vertragsgestaltung
• eine Optimierung interner Prozesse.

Neben dem Verständnis der vorhandenen Daten war die Vorhersage zukünftiger Kosten ein wesentlicher Aspekt. Dem Entscheidenden stehen verschiedene Verfahren aus der Versicherungsmathematik zur Verfügung, die dem Kontext entsprechend angepasst wurden. Ausführliche Backtests auf historischen Daten ermöglichen die belastbare Einschätzung der Prognosegüte. Basierend auf der R-Shiny Technologie wurde ergänzend eine Web-Applikation erstellt, die den Kund:innen interaktive Arbeit mit den Daten ermöglicht.

Unsere Modellentwicklung und Modellansätze

Die von uns bereitgestellten Lösungen und Softwareprodukte werden entsprechend Ihren Anforderungen entwickelt. Hierbei gehen wir konkret auf den Kontext ein, in dem das Produkt angewendet werden soll. Möglich sind:

• Managementsoftware
• statistische Analysesoftware
• weitere Spezialfälle

Fertige Lösungen liefern wir als eigenständige Software aus oder integrieren sie in bestehende Geschäftsprozesse. Eine begleitende Dokumentation gibt Informationen über alle Funktionalitäten des Produktes, sowie über statistische Ergebnisse unserer Analysen.

Zur Validierung und methodischen Optimierung der Modelle werden Fehlermaße sowohl in-sample als auch out-of-sample berechnet, um eine möglichst differenzierte Aussage über die Modellgüte treffen zu können. In der Regel dienen bestehende Modelle als Benchmark. Die auch für Kreuzvalidierung erforderliche Aufteilung der Daten in Trainings- und Testdatensätze erfolgt beispielsweise:

• randomisiert
• chronologisch oder
• konsistent zu bestehenden Geschäftsprozessen.

Zur Modellentwicklung untersuchen wir die Informationen aus Vertrags- und Kfz-Merkmalen u.a. auf folgende Arten:

• Algorithmische Gruppierung von Motoren mittels Clusteranalysen
• Dimensionsreduktion mittels Hauptkomponentenanalyse (Principal Component Analysis PCA)
• Modellierung von Expertenwissen (Grey-Box Modellierung)

Das resultierende Wissen aus den Daten verwenden wir um verschiedene Prognosearten zu modellieren. Die Grafik »Modellansätze« rechts zeigt eine Übersicht der von uns gängig verwendeten Ansätze.