Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten anonymisierte Daten von 18.000 historischen Forderungen über 36 Monate mit Default-Label, plus 24 Features (Unternehmens-Stammdaten, Bilanz-Kennzahlen, Zahlungs-Historie, Branchen-Codes). Definieren Sie Train/Test-Splits zeitlich (kein Random Split). Bauen Sie zwei Modelle: Logistische Regression mit Feature-Engineering (Bin-Encoding, WoE-Transformation — Weight of Evidence) als regulatorisch akzeptierter Baseline, plus LightGBM als Performance-Referenz. Evaluieren Sie mit ROC-AUC, Gini-Koeffizient und Kalibrierungs-Diagrammen. Führen Sie eine Fairness-Analyse durch: Performance pro Branchen-Cluster und Unternehmensgröße. Liefern Sie Notebook, eine Modell-Karte nach BaFin-Erwartungen, ein Kalibrierungs-Memo und einen Empfehlung 'welches Modell wo produktiv einsetzen'.
Das Briefing
Was Du tust und was Du zeigst.
Wie sieht ein Bonitäts-Scoring-Modell aus, das die Performance des Excel-Regelwerks signifikant schlägt und gleichzeitig BaFin-erwartungsgemäß erklärbar, kalibriert und auf Fairness geprüft ist?
Earning criteria — what you'll demonstrate
- Regulatorische Anforderungen an ML-Modelle in Banken praktisch umsetzen
- Weight of Evidence als interpretierbare Feature-Transformation einsetzen
- Kalibrierung als eigene Modell-Eigenschaft messen, nicht nur Discriminative Performance
- Fairness-Analyse für klassische Industrie-Use-Cases durchführen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenSoftware-Entwickler:in
Ein BaFin-erwartungsgemäßes Bonitäts-Scoring mit Kalibrierung und Fairness-Analyse ist eine seltene Junior-Skill — sie qualifiziert direkt für Stellen in Banken, Versicherungen und Fintech-Risk.
Dieses Projekt schärft
- supervised-learning
- model-evaluation
- applied-ml
Produktmanager:in
Produktmanager:innen, die ML-Modell-Karten lesen und mit Compliance verhandeln können, sind in regulierten Branchen besonders gefragt.
Dieses Projekt schärft
- explainability
- model-evaluation
- feature-engineering
Noch eine Sache