Insolvenzprognose aus Jahresabschlußdaten:
eine harte Nuß für Mensch und Maschine

Projektkurzbeschreibung:

Durchführung: DFKI GmbH, Forschungsbereich "Intelligente Ingenieursysteme"
in Zusammenarbeit mit der Universität Kaiserslautern,
Mitarbeiter: Prof. Michael M. Richter (Leitung), Knut Hinkelmann, Ralph Bergmann,
Andreas Abecker, Wolfgang Wilke

Projektziel: Automatisches Erlernen von Kriterien zur Erkennung mittelfristig
insolvenzgefährdeter Kreditkunden auf der Basis ihrer Jahresabschlußdaten

Nebenziele: Potentialanalyse für "Data Mining" im Finanzbereich,
Beiträge zum Aufbau einer Data Mining Infrastruktur bei der SYSTOR AG,
praxisbezogene Einschätzung und Bewertung von Verfahren und Werkzeugen

Die Ausgangsdaten:

Die Aufgabe:

Kann man aus diesen Beispieldaten automatisch lernen, welche Bilanzkonstellationen dazu führen, daß ein Kunde zwei Jahre nach der Datenerfassung als "gefährdet" eingestuft wird?

Woher kommen die Daten?

Ausgangspunkt ist das CUBUS System der SYSTOR AG zur Bilanzbewertung. CUBUS ist ein regelbasiertes Expertensystem, das in mehreren Aggregationsstufen aus "rohen" Zahlenwerten der Bilanz durch zunehmende Interpretation mit Hilfe von Expertenwissen und Zusammenfassung einzelner Werte zu abstrakten Kenngrößen immer stärker verdichtete Information zur Verfügung stellt:


Welche Verfahren wurden untersucht?


Probleme bei der Extraktion von Entscheidungsregeln:


Ergebnisse:


Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
Dr. Knut Hinkelmann
Postfach 2080
67608 Kaiserslautern
Tel.: (0631) 205-3467 Fax: (0631) 205-3210