Finanztechnologie (FinTech)
führendes Unternehmen im Bereich der Mikrokredite
WebTrekk und Uebermetrics
Professor Lessmanns Forschung konzentriert sich auf Methoden des maschinellen Lernens und der künstlichen Intelligenz (MLAI) und deren Anwendungsfälle in der Entscheidungsunterstützung von Führungskräften. Zu seinen Interessengebieten gehören unter anderem erklärbare KI, kausales/interpretierbares maschinelles Lernen, natürliche Sprachverarbeitung, prädiktive Analytik und Zeitreihenvorhersage.
Er ist spezialisiert auf MLAI-Anwendungen im weiten Bereich der Marketing- und Risikoanalytik. Darüber hinaus ist Professor Lessmann aktiv an Wissenstransfer-, Weiterbildungs- und Beratungsprojekten mit Industriepartnern beteiligt, die von Start-ups bis hin zu Global Playern und gemeinnützigen Organisationen reichen.
- Prototypenerstellung, Bewertung und Benchmarking von ML/AI-basierten Vorhersage- und Entscheidungsmodellen
- Entwicklung von PD-, LGD- und EAD-Prognosemodellen
- Verarbeitung von Textdaten zur Wissensextraktion
- Bewertung des Informationswerts kommerziell verfügbarer Datenquellen (z. B. Kreditbürodaten) für die Vorhersagemodellierung
- Schätzung von personalisierten, individuellen Behandlungseffekten
- Berufliche Weiterbildung in ML/AI, Data Science und Business Analytics
FinTech - Auf der Grundlage von Konzepten der bayesschen Statistik und des halbüberwachten maschinellen Lernens hat Professor Lessmann zusammen mit seinem Team ein System entwickelt, welches das Problem der Ablehnung von Schlussfolgerungen in der Kreditbranche löst. Es liefert deutlich bessere Risiko-Scorecards und erleichtert es den Kreditgebern, die Vorhersagekraft einer Scorecard (z. B. der PD) im Betrieb vorherzusagen. Das Projekt wurde mit einem führenden Unternehmen im Bereich der Mikrokredite durchgeführt.
E-Commerce - Gemeinsam mit WebTrekk und Uebermetrics entwickeln Lessmann und seine Arbeitsgruppe ein KI-gesteuertes Web-Controlling-System, das Zeitreihen von Web-Metriken (Seitenaufrufe, Besuche, Absprungraten, Checkouts, Verkäufe usw.) untersucht und die Ursachen für beobachtete Muster (z. B. Anomalien) identifiziert. Zu diesem Zweck integriert das System tiefgreifende Algorithmen zur Kausalerkennung, die auf verstärktem Lernen und xAI-Methoden basieren. Um den Umfang der Ursachenerklärungen zu erweitern, überwachen Lessmann und sein Team auch verschiedene Social-Media-Streams und verwenden fortschrittliche NLP-Algorithmen zur Ereigniserkennung. Durch die einzigartige Kombination dieser KI-Konzepte erhalten Web-Controller und Store-Manager erweiterte Einblicke in ihre Geschäftsabläufe.
Digitales Marketing - Professor Lessman und sein Team haben fortschrittliche kausale maschinelle Lernmodelle für das Echtzeit-Targeting von E-Coupons und anderen digitalen Marketing-Stimuli entwickelt. Die dabei entwickelte optimale (d. h. gewinnmaximierende) Methodik umfasst sowohl Einzel- als auch Mehrfachbehandlungsszenarien und nutzt herkömmliche überwachte Lernalgorithmen, um eine kosteneffektive Bereitstellung zu ermöglichen.
Professor Lessmann hat eine Reihe von Weiterbildungskursen in den Themenbereichen Kreditrisikomodellierung, Betrugserkennung, Advanced Analytics und maschinelles Lernen unterrichtet, um nur eine Auswahl zu nennen. Einige dieser Kurse werden als Teil der SAS Business Knowledge Series angeboten, sind aber auch auf den Plattformen R und Python verfügbar. Anfragen zur beruflichen Weiterentwicklung in den Bereichen seiner Expertise sind willkommen.
- Förderung durch verschiedene Stellen, u.a. DFG, DAAD, IBB (z.B. Transferbonus, ProFIT)
PwC, Deloitte, Deutsche Bank, Greeneum, Firamis, Bitwala, Augmento, Royalton Partners
Prof. Härdles Forschungsfokus liegt auf quantitativer Finanzwissenschaft, insb. auf multivariaten Verfahren im Finanzwesen, sowie auf Verfahren zur Dimensionsreduzierung und computerbasierter Statistik. Prof. Härdle ist Mitgründer des Blockchain Research Center (BRC). Das BRC dient als Plattform für Akademiker und Industriepraktiker für wissenschaftliche Diskussionen und Kooperationen. Als Leiter des Sonderforschungsbereichs für Ökonomisches Risiko (SFB 649) und dem interdisziplinären Center for Applied Statistics and Economics (C.A.S.E.) beschäftigt er sich vor allem mit der Untersuchung von ebensolchen Risiken in einem globalen Kontext. Durch Prof. Härdles Forschung soll die Bewertung solcher Risiken erleichtert und Unsicherheiten bei Entscheidungsfindungen von volkswirtschaftlichen Akteuren vermindert werden. Er ist Gastprofessor am Wang Yanan Institute for Studies in Economics (WISE) der Xiamen Universität, China, und Leiter der International Research Training Group „High Dimensional Non Stationary Time Series“ (ITRG 1792). Ausgezeichnet wurde er u.a. 2012 mit dem „Multa Scripsit Award“ der Fachzeitschrift „Econometric Theory“.
- Crypto Currency Valuation
- Quantlets
- Multivariate statistische Analyse (Faktoranalyse, Clusteranalyse etc.)
- Portfolio Optimierung
- Risikomanagement (Financial Risk Meter)
- Hedgegeschäft
- Preisfestsetzung von Derivaten
- funktionelle Datenanalyse
- nicht- und semiparametrische Verfahren
- Informationsvisualisierung (VizTech)
- Fortlaufende Kooperationen mit führenden, internationalen Finanzinstituten und Vortragstätigkeit für selbige
- Liquiditätsvorhersagen für Bitcoin (Bitwala)
- Sentimentanalysen für den Cryptomarkt (Augmento)
- Financial Risk Meter (Firamis)
- Center for Applied Statistics and Economics (C.A.S.E.): Interdisziplinäres Zentrum, um die immer komplexer werdenden Probleme im Feld der Ökonomie und den angrenzenden Bereichen mit Fachwissen, quantitativen Methoden und unter Verwendung moderner Computertechniken zu untersuchen und Lösungswege zu entwickeln. Zu den erforschten Themen gehören z.B. Wetterrisiken, alternde Gesellschaften, Kriminalität oder Immobilienmärkte.
- Sonderforschungsbereich für Ökonomisches Risiko (SFB 649): Transdisziplinäres Forschungszentrum in dem sich Experten aus den Bereichen Ökonomie, Mathematik und Statistik zusammenfinden, um ökonomische Risiken und die dazugehörigen Faktoren zu untersuchen. Forschende haben so eine Plattform ihre Ergebnisse auch international zu diskutieren und neue Kooperationen anzustreben.
- Machine Learning in FinTech (Risk Management Institute, Singapore)
- Smart Data Analytics (Bundesbank)
- Ultra High Dimensional Time Series (Bundesbank)
- SupTech und RegTech Workshops