CRISP DM Industriestandard von IBM [Teil 2]: Anwendung in der Finanz- und Risikobranche

In diesem Artikel werden die einzelnen Schritte der Methodik genauer erläutern und darauf eingehen, wie jeder Schritt zum Erkenntnisgewinn beiträgt (nicht nur das finale ML-Modell). Für eine Einführung zum Thema CRISP DM kann [Crisp DM Teil 1] zur Hand genommen werden.

Zunächst rufen wir uns in Erinnerung, dass der CRISP DM aus den folgenden sechs Schritten besteht:

• Geschäftsproblem,

• Datenbeschaffung,

• Datenaufbereitung,

• Modellierung,

• Evaluation,

• Einsatz/Anwendung.

Obwohl die Abfolge der Schritte nicht streng festgelegt ist, beginnt der Prozess üblicherweise mit der Definition eines sogenannten Geschäftsproblems oder einer Geschäftsfrage, die durch Daten und ML-Modelle gelöst werden soll. In der Finanzbranche könnten solche Probleme die automatisierte Erkennung auffälliger Transaktionen oder die Schätzung von Risikometriken für Portfolios sein. Oft liegen die relevanten Daten über mehrere Datenbanken verteilt und somit ist die Eingrenzung des Geschäftsproblems auch ausschlaggebend für die Datenbeschaffung.

Bereits durch eine explorative Datenaufbereitung via deskriptiver Statistiken und Visualisierungen können erste Auffälligkeiten gefunden werden und Geschäftsannahmen bestätigt oder widerlegt werden. Anschließend folgen die Modellierung und Evaluation diverser ML-Algorithmen, um eine geeignete Lösung des Geschäftsproblems zu finden. Kommt das ML-Modell dann zum Einsatz, kann es nun stetig neue Erkenntnisse mit neuen Daten aus dem Geschäftsprozess für die Stakeholder generieren.

Da die CRISP-DM-Methode iterativ ist, bedeutet dies auch, dass ein Schritt den vorherigen oder den nächsten immer wieder beeinflussen kann. Somit gewährleistet das wiederholte Durchlaufen des Zyklus eine kontinuierliche Qualitätsverbesserung und maximiert den Erkenntnisgewinn. Aus jenen Gründen ist die CRISP-DM Methodik nicht nur branchenübergreifend, sondern auch in der Finanz- und Risikobranche verbreitet.