Credit Risk Controlling & Default Risk BI System (Kreditrisiko-Controlling & Ausfallrisiko-BI-System)

Projektziel

Dieses Projekt zeigt einen vollständigen End-to-End-Workflow im Credit Risk Controlling (Kreditrisiko-Controlling):

Rohdaten -> ETL in SQL -> Relationales Datenmodell -> Power-BI-Dashboard -> Handlungsempfehlung

Der Fokus liegt nicht auf der reinen Visualisierung, sondern auf der Ableitung steuerungsrelevanter Maßnahmen für das Kreditrisikomanagement.

---

Technologien

• Excel / CSV (Datenquelle)
• SQL (ETL, Datenbereinigung, Datenmodellierung)
• Power BI (Analyse & Reporting)

---

ETL und Datenbereinigung in SQL

Die Quelldaten enthielten typische Praxisprobleme:

• Dezimalzahlen im europäischen Kommaformat (z. B. 5,2)
• Keine relationale Struktur
• Rohdaten ohne direkte BI-Verwendbarkeit

Im ETL-Schritt wurden:

• Die Daten in ein relationales Datenmodell überführt (customers, loans)
• Zinswerte mittels REPLACE() in ein numerisch nutzbares Punktformat transformiert
• Die Rohdaten nach erfolgreicher Validierung entfernt (Aufräumen)

Ergebnis: Eine saubere und strukturierte Datenbasis für das Reporting.

---

Relationales Datenmodell

customers

• customer_id: Eindeutige Kennung des Kunden (Primärschlüssel)
• age: Alter des Kunden
• income: Jährliches Einkommen
• city: Wohnort
• risk_segment: Einstufung des Risikos

loans

• loan_id: Kreditnummer (Primärschlüssel)
• customer_id: Verknüpfung zum Kunden (Fremdschlüssel)
• loan_amount: Bruttokreditbetrag
• interest_rate: Vereinbarter Zinssatz
• start_date
• end_date

Verknüpfung erfolgt über Primärschlüssel/Fremdschlüssel.

---

Dashboard-Analyse in Power BI

Das Dashboard zeigt:

• Risikoverteilung der Kunden
• Durchschnittseinkommen nach Risikosegment
• Zusammenhang zwischen Einkommen und Kreditbetrag (Streudiagramm)

Die Visualisierungen machen ein Risikomuster sichtbar, das für das Controlling unmittelbar relevant ist.

---

Zentrale Erkenntnis (Risikoinformation)

Das Segment „High Risk“ weist ein deutlich geringeres Durchschnittseinkommen auf, erhält jedoch Kreditsummen nahezu auf dem Niveau risikoärmerer Segmente.

Zusätzlich zeigt die Analyse mehrere Kredite an Kunden mit einem Einkommen unter 35.000 €.

Klassischer Ausfalltreiber:

Hohes Kreditvolumen bei geringer Rückzahlungsfähigkeit

---

Handlungsempfehlung für das Risikocontrolling

• Reduktion der Kreditobergrenze für „High Risk“ Kunden um 15–20 %
• Verpflichtende manuelle Prüfung bei Kunden mit Einkommen unter 35.000 €, unabhängig vom Risikoscore
• Einführung einer kombinierten Entscheidungsregel aus Risikosegment und Einkommensschwelle

Diese Maßnahmen reduzieren das Ausfallrisiko und koppeln die Kreditvergabe stärker an die tatsächliche Rückzahlungsfähigkeit.

---

Projektstruktur

Kreditrisiko-Analyse-BI/
├── Daten/
│   ├── customers.csv
│   ├── customers.xlsx
│   ├── loans.csv
│   └── loans.xlsx
├── Power BI/
│   ├── Kredit_Risiko_Analyse.pbix
│   └── dashboard.png
├── SQL/
│   ├── CreditRisk.db
│   ├── CreditRisk_Final.db
│   └── CreditRisk_Project.sql
├── projekt-meta/
│   └── CreditRisk_Session.sqbpro
└── README.md

---

## Nutzung (Reproduzierbarkeit)

1. Excel-Dateien als CSV speichern  
2. SQL-Skript „create_tables.sql“ ausführen  
3. SQL-Skript „etl_process.sql“ ausführen  
4. Power-BI-Datei öffnen und mit der Datenbank verbinden  

---

## Was dieses Projekt zeigt

Dieses Projekt demonstriert praktische Fähigkeiten in:

- Datenbereinigung und ETL in SQL
- Aufbau relationaler Datenmodelle
- Datenaufbereitung für BI-Systeme
- Entwicklung eines steuerungsrelevanten Dashboards
- Fachliche Interpretation im Credit Risk Controlling

Fokus: Business-Verständnis und Risikosteuerung, nicht nur Visualisierung.

---

## Autor

Oliver Felder  
Data Analytics & Risk Analytics Portfolio Projekt