Digitale Kontoanalyse: Warum sie funktioniert

Kontoanalyse und Zahlungsstromanalyse; Beitragsbild

Digitale Kontoanalyse: Warum sie funktioniert

Was ist die digitale Kontoanalyse?

Die digitale Kontoanalyse ist unsere Antwort auf Kernfragen wie „Was kann ich mir leisten?“, „Wie ist die Bonität meines Kunden?“. Dabei identifiziert unsere Echtzeit-Bonitätsprüfung mit Hilfe eines intelligenten Algorithmus relevante Daten. So kann sie dazu beitragen Banken in verschiedenen Bereichen, z.B. der Kreditvergabe, einen schnelleren und besseren Service für ihre Kunden zu bieten.

In Echtzeit können aktuelle Daten genutzt werden und so für Banken und Endkunden ein stichhaltiges Profil wiedergeben. Dadurch ergibt sich ein schnelles und aussagekräftiges Bild der Bonität. Die digitale Kontoanalyse hilft somit nicht nur den Mitarbeitern bei der Kreditvergabe, sondern auch den Kunden, die noch schneller eine Übersicht über ihre Möglichkeiten erhalten.

Die Technik dahinter ist auch auf andere Anwendungsgebiete anwendbar: So sind Umsetzungen für die Handwerker-Branche oder Vermieter denkbar. Handwerker treten oft mit ihrer Leistung in Vorkasse, mit der digitalen Kontoanalyse könnten sie in Echtzeit einsehen, ob sich ihre Kunden den Einsatz leisten können.

Was zeichnet unsere digitale Kontoanalyse aus?

Anhand kategorisierter Daten kann unsere digitale Kontoanalyse verschiedene Use-Cases abbilden:

  • Eine umfassende Kundenbewertung durchführen: Die Parameter sind oftmals neuartig wertstiftend für Banken und Unternehmen, weil diese ein noch valideres Bild der Kundenbonität widerspiegeln. fino setzt mithilfe der Erkenntnisse neue Scorecards bzw. Punktesysteme mit den Partnerbanken und -unternehmen auf.
  • Erkennen von Anomalien außerhalb des gängigen Transaktionsmusters (Bsp. Glättung von doppelten Buchungen)
  • Bonitätsbewertung
  • Erkennen von Life Changing Moments (Geburt eines Kindes, Umzug, …)
  • Analyse von Assets (Haus, Auto, Anzahl Kinder)
  • Forecast-Berechnung („Was kann ich mir leisten?“)

Nehmen wir das Beispiel „Gehalt“:

Anhand mehrerer Indizien stellen wir fest, ob es sich bei der Transkation auch wirklich um das eingehende Gehalt handelt. Neben dem Durchsuchen des Verwendungszweckes nach Schlüsselwörtern, identifizieren wir wiederkehrende Muster (Pattern) und Ziffernfolgen. Diese lassen Rückschlüsse auf bestimmte Produkte bzw. Kategorien zu. Dazu werden Transaktionen in signifikante Pattern zerlegt, die je nach Zahlungspartner verschiedene Informationen beinhalten. So lässt sich beispielsweise eine KfZ-Versicherung direkt über die Kombination aus Transaktion und Zahlungspartner-Wissen klassifizieren.

In der Datenbank wird der Zahlungspartner mit den vorhandenen Gläubiger-IDs verglichen und überprüft ob diese bereits in der Vergangenheit vergleichbare Überweisungen getätigt haben. Sollte dies nicht der Fall sein, kann dies direkt nachgeholt werden. So kann u.a. sichergestellt werden, dass „Spaßtransaktionen“, die „Gehalt“ als Verwendungszweck besitzen, nicht als Gehalt identifiziert werden. Gleichzeitig wird so bei der digitalen Kontoanalyse z.B. das Gehaltskontos zuverlässig identifiziert.

Um auch etwaige Ausnahmefälle abzudecken, werden die Transaktionen als zusätzlicher Check von einem Machine learning Algorithmus nochmals auf Plausibilität überprüft. Hierbei können auch Transaktionen mit fehlerhaften Informationen (bspw. fehlerhafte Schreibweise im Verwendungszweck) sicher zugeordnet werden.

Das manuelle Regelwerk nutzt die Erkenntnisse aus signifikanten Mustern, um auch Transaktionen zwischen Privatpersonen datenschutzrechtlich konform zuordnen zu können. Hierbei erfolgt z.B. auch eine Plausibilisierung über die Regelmäßigkeit, um eine korrekte Zuordnung zu gewährleisten (Bsp. Gehalt).

Mit diesem Grundbaustein, können wir, neben der digitalen Kontoanalyse, nach den Wünschen unserer Partner und Kunden zu neuen Produkten erweitern.