Preis- und Gebührenoptimierung mit ML, im Rahmen der Regeln

Preisoptimierung mit Machine Learning bedeutet, zu schätzen, wie Nachfrage und Retention auf die von Ihnen erhobenen Gebühren und Zinssätze reagieren, und dann Preise zu wählen, die Umsatz oder Marge unter expliziten Nebenbedingungen erhöhen. Im regulierten Finanzwesen sind genau diese Nebenbedingungen der schwierige Teil. Ein Pricing-Modell ist auch eine Compliance-Fläche, und der Preis, den eine Kundin oder ein Kunde sieht, muss die Prüfung auf faires Pricing und Conduct überstehen, nicht nur einen Umsatz-Backtest.

Es gibt eine schlimmere Fehlerform als eine Fehlbepreisung um ein paar Basispunkte. Sie besteht in einem Modell, das lernt, überall dort mehr zu verlangen, wo es kann, und wo sich dieses „wo es kann“ dann als Nähe zu einer geschützten Gruppe herausstellt, oder zu Kundinnen und Kunden, die nicht vergleichen, weil sie älter sind, neu im Land oder schlicht nicht aufmerksam. Das ist die Variante der Preisoptimierung, die in einer aufsichtsrechtlichen Verfügung endet. Alles Folgende handelt davon, die profitable Variante zu bauen, ohne diese zu bauen.

Die Elastizität ist das Modell; der Preis ist eine Entscheidung darauf

Was Sie tatsächlich schätzen, ist die Elastizität: wie sich Take-up, Saldo oder Abwanderung eines Segments verändern, wenn Sie die Gebühr oder den Zinssatz bewegen. Diese Schätzung ist ein kausales Problem, kein korrelatives, und hier steckt der Großteil des Engineering-Aufwands.

Historische Preisvariation ist konfundiert. Preise wurden nach alten Regelwerken gesetzt, die bereits auf Risiko, Kanal und Verhandlung konditioniert waren. Eine naive Regression von Volumen auf Preis rekonstruiert deshalb die alte Policy, nicht die Nachfragekurve. Wir stützen uns auf die Variationsquellen, die dem Zufall näher kamen: Pricing-Experimente, bei denen das Geschäft echte A/B-Tests gefahren hat, Diskontinuitäten an Policy-Schwellen und gestaffelte Rollouts über Regionen oder Kohorten. Wo saubere Experimente fehlen, sagen wir das, und wir weiten das Unsicherheitsband, anstatt so zu tun, als sei die Elastizität bekannt.

Point-in-Time-Korrektheit ist hier genauso wichtig wie im Credit Modeling. Wenn Ihr Elastizitäts-Trainingsset die Reaktion einer Kundin mit Features verknüpft, wie sie heute aussehen statt wie sie zum Angebotszeitpunkt aussahen, haben Sie Leakage, und das Modell schreibt dem Preis Ergebnisse zu, die er nie verursacht hat. Salden, Risiko-Scores und Beziehungsdauer driften alle, deshalb trägt jedes Feature im Elastizitäts-Set seinen As-of-Zeitstempel und wird zum Zeitpunkt der Preisanzeige aus dem Feature Store rekonstruiert.

Der Preis selbst ist ein separater Schritt. Bei gegebener Elastizitätsschätzung mit ehrlichen Fehlerbalken wählt der Optimizer eine Gebühr oder einen Zinssatz, der die erwartete Marge unter Nebenbedingungen maximiert. Schätzung und Entscheidung getrennt zu halten, ist Absicht. Es erlaubt Ihnen, das Ziel zu ändern oder eine Nebenbedingung zu verschärfen, ohne neu zu trainieren, und es gibt Ihnen zwei prüfbare Artefakte statt einer Blackbox.

Nebenbedingungen sind erstklassig, kein nachgelagerter Filter

Regeln für faires Pricing können kein Screen sein, den Sie laufen lassen, nachdem der Optimizer bereits gewählt hat. Ist das Ziel reine Marge und filtern Sie hinterher, verbringt das Modell seine gesamte Suche in genau der Region, die Sie am Ende verwerfen, und was den Filter übersteht, ist die am wenigsten schlechte Ecke eines schlechten Raums. Nebenbedingungen gehören in die Optimierung hinein.

Konkret kodieren wir:

• Ein begrenztes Zinsband pro Risikostufe, sodass das Pricing dem Underwriting-Modell folgt und nicht dahin abdriften kann, risikogleichen Kundinnen und Kunden aus sachfremden Gründen unterschiedliche Beträge zu berechnen.
• Eine geprüfte Allowlist an Features, die den Preis beeinflussen dürfen, getrennt gehalten vom größeren Set für die Elastizitäts-Research. Postleitzahl, Gerät und Browsing-Verhalten leben tendenziell auf der Research-Seite und bleiben aus dem Preis heraus.
• Disparate-Impact-Obergrenzen, gemessen über geschützte Gruppen, geprüft an der vorgeschlagenen Preisverteilung, bevor irgendeine Änderung ausgeliefert wird. Wir verwenden dieselbe Fairness-Test-Suite, die wir auf Kreditmodelle anwenden.
• Einen Conduct-Check auf vulnerable Segmente, damit der Optimizer nicht dafür belohnt wird, dass manche Kundinnen und Kunden nicht nachverhandeln.

Jede Nebenbedingung ist eine Zeile im Audit-Trail. Wenn eine Aufsicht oder ein interner Model-Risk-Reviewer fragt, warum Kunde X genau das berechnet wurde, was berechnet wurde, lautet die Antwort: die Risikostufe, die Features auf der Allowlist, die Elastizitätsschätzung und die bindenden Nebenbedingungen. All das lässt sich aus der Lineage reproduzieren. Unter SR 11-7 ist diese Reproduzierbarkeit für ein Modell dieser Materialität nicht optional, und Preisoptimierung als geführtes Modell statt als Wachstums-Hack zu behandeln, ist das, was sie einsatzfähig hält.

Achten Sie auf die Drift und auf die Effekte zweiter Ordnung

Elastizitäten bewegen sich. Eine Verschiebung im Zinsumfeld, ein Repricing der Konkurrenz oder eine Änderung Ihres eigenen Akquisitionsmix macht die Nachfragekurve des letzten Quartals falsch. Wir überwachen realisierten Take-up und Abwanderung gegen das, was das Elastizitätsmodell vorhergesagt hat, Segment für Segment, und behandeln eine sich weitende Lücke als Drift-Signal, das das betroffene Segment auf einen konservativen Default zurückzieht, bis es neu geschätzt ist. Das Quartalsende ist ein schlechter Zeitpunkt, um zu entdecken, dass sich die Kurve verschoben hat. Deshalb läuft das Monitoring kontinuierlich statt im Review-Takt.

Zwei Effekte zweiter Ordnung verdienen eigene Eval-Sets:

• Cross-Produkt-Substitution. Ziehen Sie eine Gebühr an, weichen Kundinnen und Kunden womöglich auf ein anderes Produkt aus, kündigen ein Add-on oder reduzieren Salden. Ein Posten zu optimieren, während ein benachbarter ausblutet, passiert leicht, wenn Sie nur das Produkt bewerten, das Sie angefasst haben. Wir messen auf Beziehungsebene.
• Feedback-Schleifen. Die Preise von heute erzeugen die Trainingsdaten von morgen. Bepreist das Modell ein Segment aus dem Markt, dünnt dieses Segment aus den Daten aus, die Elastizitätsschätzungen dafür verschlechtern sich, und das Modell wird selbstsicherer über eine Kurve, die es nicht mehr sehen kann. Ein kleines randomisiertes Pricing-Slice als Holdout hält eine Quelle unkonfundierter Variation am Leben. Das kostet jetzt ein wenig Marge und kauft Ihnen ein Modell, das nächstes Jahr noch funktioniert.

Nichts davon nimmt das Urteilsvermögen aus dem Pricing. Es verschiebt das Urteil an Stellen, die Sie inspizieren können: das Ziel, die Nebenbedingungen, die Feature-Allowlist und die Monitoring-Schwellen. Ein so gebautes Pricing-Modell verdient mehr dort, wo die Nachfrage es tatsächlich erlaubt, und hält die Linie dort, wo die Regeln, oder schlichte Fairness, sagen, dass es nicht drücken sollte. Das ist die einzige Art, die es wert ist, auf einem Buch in Produktion zu gehen, für das Sie geradestehen müssen.