Modelle für prädiktive Analysen in der Minitab Statistical Software können für alle Branchen ein äußerst wertvolles Hilfsmittel sein. Unternehmen können Vorteile erzielen, wenn sie Maßzahlen wie Kundenabwanderung, Aufenthaltsdauer von Patienten, Kosten, Risiken, Profite und viele andere Faktoren prognostizieren.
In diesem Blog betrachten wir den Einsatz dieses Verfahrens im Bankenbereich. Wenn eine Bank der falschen Person eine Hypothek gewährt, kann dies ein teurer Fehler sein und Hunderttausende von Dollar kosten. Bei einem so hohen Risiko ist es sehr wichtig, dass Banken ihre Kunden kennen und bestimmte Prognosen zu ihnen treffen, bevor sie entscheiden, ob sie den Antrag auf eine Hypothek gewähren oder ablehnen. Wir betrachten hier, wie die Anzahl von Hypothekenausfällen mit prädiktiver Analytik in Minitab minimiert werden kann, indem die Wahrscheinlichkeit eines Ausfalls bei einem Kunden prognostiziert wird.
Unten finden Sie einen Überblick über Daten aus Beobachtungen, die in der Analyse verwendet werden. Es sind 1.645 Beobachtungen zu Hypotheken vorhanden, die in der Vergangenheit gewährt wurden. Spalte C1 enthält die Antwortvariable bzw. den Zielwert. Der Wert ist „Ja“, wenn der Kunde die Hypothek nicht abbezahlt hat, und „Nein“, wenn es keinen Ausfall gab. Die anderen neun Spalten enthalten die Merkmale, die als mögliche Prädiktoren ausgewertet werden.
Anhand des Tortendiagramms unten können wir die Rate erkennen, mit der es bei Kreditnehmern zu Hypothekenausfällen kam. Wir sehen, dass 10 % der Hypotheken nicht abbezahlt wurden. Eine Reduzierung dieses Werts würde eine deutliche Steigerung des Gewinns bedeuten.
Für diese Herausforderung ist das Modul „Prädiktive Analysen“ von Minitab die perfekte Wahl.
Da die Antwort „Ja“ oder „Nein“ ist, verwenden wir ein Klassifikationsmodell. Wenn es um eine stetige Antwortvariable ginge, wäre ein baumbasiertes Regressionsmodell erforderlich. Das Modul „Prädiktive Analysen“ enthält drei Arten der Klassifikationsmodellierung:
Bei der Klassifikation ist einer der Hauptmaße zum Bewerten der Güte der Anpassung des Modells die Fläche unter der ROC-Kurve. Je näher dieser Wert an 1 liegt, umso besser. Hier wurden die drei Modellierungsmodule eingesetzt und die jeweiligen Werte für die Fläche unter der ROC-Kurve verglichen.
Bei der TreeNet-Klassifikation beträgt die Fläche unter der ROC-Kurve 0,9695. Dieser Wert ist besser als die Flächen unter den ROC-Kurven für Modelle aus den beiden anderen Modellierungsmodulen. Dies bedeutet, dass das generierte TreeNet-Klassifikationsmodell das beste prädiktive Modell für den Hypothekenausfall ist. TreeNet Gradient Boosting ist das flexibelste, am meisten ausgezeichnete und leistungsstärkste Werkzeug für das maschinelle Lernenvon Minitab, mit dem zuverlässig extrem genaue Modelle erstellt werden können. Von den drei Modellierungsmodulen bietet TreeNet häufig die besten Ergebnisse.
Betrachten wir als erste Modellausgabe das Diagramm der relativen Variablenwichtigkeit. Die relative Variablenwichtigkeit kann Werte von 0 % bis 100 % annehmen, wobei die wichtigste Variable immer 100 % entspricht. „Schulden zu Kredit“ ist die wichtigste Variable beim Prognostizieren eines Hypothekenausfalls. Danach folgt „Schulden zu Einkommen“ als zweitwichtigste. Acht der neun Merkmale haben in jeweils unterschiedlichem Ausmaß eine Bedeutung für das Modell.
Nachdem wir ein Modell in Minitab erstellt haben, können wir Prognosen treffen. Hierzu können wir Einzelwerte in Minitab eingeben oder Spalten von Werten, wenn mehrere Prognosen gleichzeitig getroffen werden sollen.
We have the following data on an individual that has applied for a $485,000 mortgage:
Wir geben diese Werte in das prädiktive Modell ein, um die Wahrscheinlichkeit zu ermitteln, mit der die Person die Hypothek nicht abzahlen kann. Diese Wahrscheinlichkeit liegt in diesem Fall bei über 97 %. Nachdem die Prognosen getroffen wurden, können Sie diese als Experte mit Branchenwissen interpretieren und entsprechende Schritte einleiten. Vermutlich würde der Antrag einer Person mit einer 97-prozentigen Wahrscheinlichkeit für einen Hypothekenausfall abgelehnt werden.
Prognosen zu treffen, wenn Werte für alle Prädiktoren vorliegen, stellt immer das Best-Case-Szenario dar. In der Praxis kommt es aber häufig vor, dass einige Prädiktorwerte fehlen. Dank der prädiktiven Analyse in Minitab können wir problemlos auch in diesen Fällen Prognosen treffen. Im Beispiel unten fehlen einige Werte. Trotzdem kann die Wahrscheinlichkeit für einen Hypothekenausfall bei diesem Kunden prognostiziert werden
Betrachten wir hier einen potenziellen Kunden, der eine Hypothek über 375.000 $ abschließen möchte Uns liegen keine Daten zu Einkommen, Verhältnis von Schulden zu Einkommen, Region und Anzahl der Unterhaltsberechtigten vor. Folgende Daten sind bekannt:
Trotz der fehlenden Werte kann eine Prognose getroffen werden, und wir sehen in der folgenden Abbildung, dass die Chance weniger als 1 % beträgt, dass der Kunde die Hypothek nicht bedienen kann.
Auf der Grundlage dieser Analyse ist die Person ein guter Kandidat, da die Wahrscheinlichkeit für einen Hypothekenausfall laut dem prädiktiven Modell sehr gering ist. Dies ist nur ein Beispiel dafür, wie Sie mit den baumbasierten Algorithmen für das maschinelle Lernen in Minitab komplexe Probleme angehen und wertvolle Einblicke gewinnen können.