Klei­ne und mitt­le­re Unter­neh­men (KMU) haben oft Schwie­rig­kei­ten, Kre­di­te von Ban­ken zu bekom­men. Ein Haupt­pro­blem dabei: Ihre Kon­to­be­we­gun­gen sind schwer zu ver­ste­hen und ein­zu­ord­nen. Die Über­wei­sun­gen ent­hal­ten meist nur kryp­ti­sche Abkür­zun­gen und unvoll­stän­di­ge Infor­ma­tio­nen, sodass Ban­ken nur schwer beur­tei­len kön­nen, wie gut das Unter­neh­men wirt­schaft­lich dasteht.

Das Pro­blem im Detail

Wenn ein klei­nes Unter­neh­men einen Kre­dit bean­tragt, schau­en Ban­ken ger­ne auf die Geld­strö­me – also dar­auf, wofür das Unter­neh­men Geld aus­gibt und woher es Ein­nah­men bekommt. Aber die Trans­ak­ti­ons­da­ten sind oft wie ein Puz­zle mit vie­len feh­len­den Tei­len: Über­wei­sun­gen ste­hen da mit Kür­zeln wie “AMZN” oder “RWE AG” – und es ist nicht sofort klar, ob das Aus­ga­ben für Büro­ma­te­ri­al, Ener­gie­kos­ten oder etwas ganz ande­res sind.

Die Lösung: Künst­li­che Intel­li­genz mit “künst­li­chen” Daten

For­scher haben eine cle­ve­re Metho­de ent­wi­ckelt, um die­ses Pro­blem zu lösen^[1]Cate­go­ri­sing SME Bank Tran­sac­tions with Machi­ne Lear­ning and Syn­the­tic Data Gene­ra­ti­on. Sie nut­zen künst­li­che Intel­li­genz auf drei Ebenen:

1. Daten-Gene­ra­tor: Das Sys­tem erstellt zusätz­li­che, rea­lis­ti­sche Bei­spiel-Trans­ak­tio­nen, um die vor­han­de­nen Daten zu ergän­zen. Dabei ach­tet es dar­auf, dass sel­te­ne Kate­go­rien (wie spe­zi­el­le Bran­chen­aus­ga­ben) stär­ker berück­sich­tigt werden.
2. Klas­si­fi­zie­rer: Ein spe­zi­ell für Finanz­da­ten trai­nier­tes KI-Modell lernt, Trans­ak­tio­nen auto­ma­tisch den rich­ti­gen Kate­go­rien zuzu­ord­nen – etwa “Mie­te”, “Roh­stof­fe” oder “Mar­ke­ting”.
3. Kali­brie­rung: Das Sys­tem wird so ein­ge­stellt, dass es nicht nur Kate­go­rien vor­her­sagt, son­dern auch angibt, wie sicher es sich bei sei­ner Ein­schät­zung ist.

Die Ergeb­nis­se sind vielversprechend

In Tests konn­te das Sys­tem 73 Pro­zent aller Trans­ak­tio­nen kor­rekt kate­go­ri­sie­ren. Bei Vor­her­sa­gen, bei denen sich das Sys­tem sehr sicher war, lag die Tref­fer­quo­te sogar bei über 90 Pro­zent. Das ist deut­lich bes­ser als her­kömm­li­che Methoden.

Daten­schutz bleibt gewahrt

Ein wich­ti­ger Punkt: Die ech­ten Unter­neh­mens­da­ten ver­las­sen nie das Sys­tem der Bank. Die KI wird nur ver­wen­det, um zusätz­li­che Bei­spiel­da­ten zu erstel­len und das Kate­go­ri­sie­rungs-Sys­tem zu trai­nie­ren – nicht um die ech­ten, sen­si­blen Trans­ak­ti­ons­da­ten zu verarbeiten.
Der prak­ti­sche Nutzen

Die­se Tech­no­lo­gie könn­te Ban­ken dabei hel­fen, KMU-Kre­di­te schnel­ler und fai­rer zu bewer­ten. Statt sich nur auf tra­di­tio­nel­le Kenn­zah­len wie Bilan­zen zu ver­las­sen, könn­ten sie ein viel detail­lier­te­res Bild der tat­säch­li­chen Geschäfts­tä­tig­keit bekom­men. Das könn­te beson­ders inno­va­ti­ven oder jun­gen Unter­neh­men zugu­te­kom­men, die noch kei­ne lan­ge Geschäfts­his­to­rie vor­wei­sen können.