Modellbasiertes Scoring
Model-Based Scoring bezeichnet den Prozess der Zuweisung eines quantitativen Scores zu einer Entität (wie einem Benutzer, Dokument, einer Transaktion oder einer Anwendung) mithilfe des Outputs eines trainierten Vorhersagemodells. Anstatt sich auf einfache heuristische Regeln zu verlassen, nutzt diese Methode komplexe Algorithmen – oft abgeleitet aus dem maschinellen Lernen –, um ein nuanciertes, datengesteuertes Maß für ein bestimmtes Attribut wie Wahrscheinlichkeit, Risiko oder Relevanz zu generieren.
In modernen, datenintensiven Umgebungen sind einfache binäre Klassifizierungen (bestanden/nicht bestanden) oft nicht ausreichend. Model-Based Scoring bietet ein Spektrum an Möglichkeiten. Es ermöglicht Unternehmen, Aktionen zu priorisieren, Zielgruppen präzise zu segmentieren und das Risikoprofil granular zu steuern. Anstatt eine Transaktion als „betrügerisch“ oder „nicht betrügerisch“ zu kennzeichnen, signalisiert ein Score von 0,85 eine hohe Betrugswahrscheinlichkeit und ermöglicht abgestufte Reaktionen.
Der Prozess beginnt mit einem klar definierten Ziel und einem umfassenden Datensatz. Ein geeignetes Vorhersagemodell (z. B. logistische Regression, Gradient Boosting oder ein neuronales Netz) wird anhand historischer Daten trainiert, um die Beziehung zwischen Eingabemerkmale und der Zielvariablen zu erlernen. Sobald das Modell trainiert ist, nimmt es neue, unbekannte Datenpunkte als Eingabe und gibt eine Wahrscheinlichkeit oder einen kontinuierlichen Score aus. Dieser Score ist das Ergebnis der vom Modell erlernten Gewichte und Biases, die auf die Eingabemerkmale angewendet werden.
Model-Based Scoring ist in vielen Branchen verbreitet:
Diese Technik steht in enger Beziehung zur Vorhersagemodellierung (Predictive Modeling), Feature Engineering (der Erstellung von Eingaben für das Modell) und Kalibrierung (der Sicherstellung, dass die vorhergesagten Wahrscheinlichkeiten mit den tatsächlich beobachteten Häufigkeiten übereinstimmen).
