Kreditscoring mit Big Data: Ein Buch mit sieben Siegeln

Von Ralf Keuper

Bei der Beurteilung der Kreditwürdigkeit einer (natürlichen) Person werden mittlerweile zahlreiche Datenquellen herangezogen. Früher, als man die Kunden noch persönlich kannte, wurde die Entscheidung nicht selten aus dem Bauch heraus getroffen. Wichtig waren der persönliche Eindruck und das soziale Umfeld des Kreditsuchenden. Das ist im Massengeschäft, in dem Entscheidungen in wenigen Sekunden gefällt werden müssen, längst keine Option mehr. Hinzu kommt, dass die Lebensumstände und wirtschaftlichen Verhältnisse der Kunden sich quasi über Nacht verbessern oder aber auch verschlechtern können. Der Zugriff auf historische Daten hilft da nicht weiter. Je mehr Daten die Bank oder Auskunftei über einen Kreditsuchenden oder Neukunden ausfindig machen kann, um so besser.

Mittels KI-gestützter Verfahren können auch sog. alternative Daten berücksichtigt werden. Die Korrelationen, die sich daraus ableiten lassen, ergeben nicht selten ein völlig neues, unerwartetes Bild – das jedoch die Wirklichkeit verzerren kann. Viel ist nicht immer gut. Für Außenstehende sind die Kriterien, auf deren Basis Entscheidungen zustande kommen, nicht transparent.

Sonderfall Schufa 

Die Algorithmen werden als schutzwürdiges Geschäftsgeheimnis betrachtet. Im Jahr 2014 bestätigte der Bundesgerichtshof, dass die Schufa ihre Formel für die Berechnung der Kreditwürdigkeit nicht offen legen muss[1]Scoring-Formel der Schufa bleibt ein Geheimnis. Um den Algorithmus zu entschlüsseln, haben die beiden Nichtregierungsorganisationen AlgorithmWatch und OpenSchufa vor einiger Zeit eine Initiative gestartet((

Dieser Beitrag wurde unter Banking, Cybersecurity, Künstliche Intelligenz abgelegt und mit , , , , , , , , , , , , , , , , , , , , , , , , , , , verschlagwortet. Setze ein Lesezeichen auf den Permalink.