Von „Scoring“ hat noch nicht jeder gehört, aber nahezu jeder ist davon betroffen. Im Handel und anderen Bereichen dient Scoring dazu, das Verhalten von Verbraucherinnen und Verbrauchern mit statistischen Methoden vorherzusagen.
Ein Score ist ein Zahlenwert, der vorhersagen soll, ob jemand etwas tut – zum Beispiel, ob er oder sie einen Kredit zurückzahlen wird. Die Idee solcher Berechnungen ist nicht neu und bei Banken und anderen Unternehmen seit langer Zeit üblich.
Eine frühe Form des Scoring entstand in den 1920er-Jahren. Die „Berliner Elektricitäts-Werke“ boten zuverlässigen Kunden nicht nur Strom, sondern auch Kühlschränke und andere Haushaltsgeräte auf Ratenkauf an. Zahlten sie pünktlich ihre Stromrechnung, diente das als Kriterium, ob sie auch die Raten regelmäßig bedienen würden.
Mitarbeiter des Unternehmens erkannten, dass diese Information auch für andere Händler interessant sein könnte, die sich gegen einen Zahlungsausfall absichern wollen. 1927 gründeten sie die „Schutzgemeinschaft für Absatzfinanzierung“ – die Schufa.
Die Scores der Auskunfteien
Neben der Schufa gibt es weitere Auskunfteien, die Daten über die Zahlungsfähigkeit sammeln; etwa Arvato Infoscore, Creditreform oder Bürgel. Auskunfteien erheben die Daten in der Regel nicht selbst, sondern erhalten diese von ihren Vertragspartnern, den Unternehmen. Eine weitere Quelle sind Schuldnerlisten von Amtsgerichten.
Dabei dürfen die Auskunfteien nicht nach Belieben Daten sammeln. Neben Angaben zur Person speichern sie oftmals Informationen über Bankkonten, Kreditkarten und Handyverträge – die sogenannten Positivdaten. Zum anderen sammeln sie „Negativdaten“ über Zahlungsausfälle, etwa bei nicht bezahlten und unwidersprochenen Rechnungen oder gerichtlichen Mahnbescheiden.
Im einfachsten Fall bilden sie mithilfe dieser Informationen einen Score zwischen 0 und 100. Er drückt die Wahrscheinlichkeit aus, dass ein Kunde seinen Teil des Vertrags erfüllt, also etwa seine Rechnung pünktlich bezahlt. Das geschieht durch Vergleichsgruppen: Ein Score von 95 Prozent bedeutet, dass 95 von 100 Kunden in derselben Gruppe das getan haben. Daneben haben die Auskunfteien weitere, spezielle Scores für unterschiedliche Branchen entwickelt, etwa Banken oder Versandhändler.
Big Data-Scoring: Alle Daten werden Kreditdaten?
In den letzten Jahren sind neben die Auskunfteien klassischer Art neue Scoring-Verfahren und -Anbieter getreten. Unternehmen wie Zest Finance, Kreditech, LendUp oder Earnest haben es sich zum Ziel gesetzt, die Kreditwürdigkeit oder anderes Verhalten mit einer Vielzahl unterschiedlicher Daten vorherzusagen. Etwa, was jemand auf einer Website tut, wie er sich in sozialen Netzwerken bewegt oder was er einkauft.
Dabei können Tausende unterschiedlicher Datenpunkte zusammenkommen. Scrollt eine Nutzerin etwa länger durch die Nutzungsbedingungen, könnte es auf eine gewissenhafte Kundin hindeuten. Die Anbieter durchkämmen ganze Datenberge mit statistischen Methoden, um Zusammenhänge zu entdecken. So filtern sie diejenigen Indikatoren heraus, die dazu beitragen, die Bonität vorherzusagen. Je zuverlässiger sie das tun, desto stärker werden die Indikatoren gewichtet.
Die Formel zur Score-Berechnung steht nicht vorab fest, sondern wird aus den Daten mit Techniken des maschinellen Lernens extrahiert. Wie der Score im Detail berechnet wird, betrachten die Scoring-Anbieter ebenso wie die klassischen Auskunfteien als Geschäftsgeheimnis.
Big Data
„Big Data“ steht für den Ansatz, große Datenmengen auszuwerten, um Muster und Gesetzmäßigkeiten in diesen Daten zu entdecken. Das geschieht zu weiten Teilen automatisiert. Meist geht es darum, mit statistischen Methoden Zusammenhänge (Korrelationen) zwischen verschiedenen Faktoren zu finden. „Big Data“-Analysen werden auch genutzt, um Computern bestimmte Aufgaben beizubringen, etwa die Erkennung von Bildern. Man spricht dann von maschinellem Lernen.
zum Glossar
Kreditscoring nach dem Big Data-Prinzip ist in Deutschland allerdings noch kaum verbreitet. Den Schritt auf den deutschen Markt scheuen die Anbieter nicht ohne Grund: Ihr Ansatz verträgt sich kaum mit den Grundsätzen des Datenschutzrechts. Auch klassische Auskunfteien wie die Schufa haben sich bereits dafür interessiert, zumindest die öffentlichen Daten aus sozialen Netzwerken zu nutzen. Ein Forschungsprojekt dazu wurde nach Protesten vorerst gestoppt.
Scoring in anderen Bereichen
Neben dem Kreditscoring gibt es viele weitere Bereiche, in denen Scoring zum Einsatz kommt, um Prognosen über das Verhalten von Verbraucherinnen und Verbrauchern zu erstellen. Online-Shops nutzen es, um Kunden gezielt mit Werbung anzusprechen oder Abwanderungen zur Konkurrenz zu vermeiden. Versicherungen, Medizin oder Präventionsprogramme von Krankenkassen sind weitere Anwendungsgebiete. Gerade weil immer mehr Daten über Verbraucherinnen und Verbraucher entstehen, dürfte sich der Trend fortsetzen, diese für Verhaltensprognosen zu verwenden.
Von „Scoring“ hat noch nicht jeder gehört, aber nahezu jeder ist davon betroffen. Im Handel und anderen Bereichen dient Scoring dazu, das Verhalten von Verbraucherinnen und Verbrauchern mit statistischen Methoden vorherzusagen.
Ein Score ist ein Zahlenwert, der vorhersagen soll, ob jemand etwas tut – zum Beispiel, ob er oder sie einen Kredit zurückzahlen wird. Die Idee solcher Berechnungen ist nicht neu und bei Banken und anderen Unternehmen seit langer Zeit üblich.
Eine frühe Form des Scoring entstand in den 1920er-Jahren. Die „Berliner Elektricitäts-Werke“ boten zuverlässigen Kunden nicht nur Strom, sondern auch Kühlschränke und andere Haushaltsgeräte auf Ratenkauf an. Zahlten sie pünktlich ihre Stromrechnung, diente das als Kriterium, ob sie auch die Raten regelmäßig bedienen würden.
Mitarbeiter des Unternehmens erkannten, dass diese Information auch für andere Händler interessant sein könnte, die sich gegen einen Zahlungsausfall absichern wollen. 1927 gründeten sie die „Schutzgemeinschaft für Absatzfinanzierung“ – die Schufa.
Die Scores der Auskunfteien
Neben der Schufa gibt es weitere Auskunfteien, die Daten über die Zahlungsfähigkeit sammeln; etwa Arvato Infoscore, Creditreform oder Bürgel. Auskunfteien erheben die Daten in der Regel nicht selbst, sondern erhalten diese von ihren Vertragspartnern, den Unternehmen. Eine weitere Quelle sind Schuldnerlisten von Amtsgerichten.
Dabei dürfen die Auskunfteien nicht nach Belieben Daten sammeln. Neben Angaben zur Person speichern sie oftmals Informationen über Bankkonten, Kreditkarten und Handyverträge – die sogenannten Positivdaten. Zum anderen sammeln sie „Negativdaten“ über Zahlungsausfälle, etwa bei nicht bezahlten und unwidersprochenen Rechnungen oder gerichtlichen Mahnbescheiden.
Im einfachsten Fall bilden sie mithilfe dieser Informationen einen Score zwischen 0 und 100. Er drückt die Wahrscheinlichkeit aus, dass ein Kunde seinen Teil des Vertrags erfüllt, also etwa seine Rechnung pünktlich bezahlt. Das geschieht durch Vergleichsgruppen: Ein Score von 95 Prozent bedeutet, dass 95 von 100 Kunden in derselben Gruppe das getan haben. Daneben haben die Auskunfteien weitere, spezielle Scores für unterschiedliche Branchen entwickelt, etwa Banken oder Versandhändler.
Big Data-Scoring: Alle Daten werden Kreditdaten?
In den letzten Jahren sind neben die Auskunfteien klassischer Art neue Scoring-Verfahren und -Anbieter getreten. Unternehmen wie Zest Finance, Kreditech, LendUp oder Earnest haben es sich zum Ziel gesetzt, die Kreditwürdigkeit oder anderes Verhalten mit einer Vielzahl unterschiedlicher Daten vorherzusagen. Etwa, was jemand auf einer Website tut, wie er sich in sozialen Netzwerken bewegt oder was er einkauft.
Dabei können Tausende unterschiedlicher Datenpunkte zusammenkommen. Scrollt eine Nutzerin etwa länger durch die Nutzungsbedingungen, könnte es auf eine gewissenhafte Kundin hindeuten. Die Anbieter durchkämmen ganze Datenberge mit statistischen Methoden, um Zusammenhänge zu entdecken. So filtern sie diejenigen Indikatoren heraus, die dazu beitragen, die Bonität vorherzusagen. Je zuverlässiger sie das tun, desto stärker werden die Indikatoren gewichtet.
Die Formel zur Score-Berechnung steht nicht vorab fest, sondern wird aus den Daten mit Techniken des maschinellen Lernens extrahiert. Wie der Score im Detail berechnet wird, betrachten die Scoring-Anbieter ebenso wie die klassischen Auskunfteien als Geschäftsgeheimnis.
„Big Data“ steht für den Ansatz, große Datenmengen auszuwerten, um Muster und Gesetzmäßigkeiten in diesen Daten zu entdecken. Das geschieht zu weiten Teilen automatisiert. Meist geht es darum, mit statistischen Methoden Zusammenhänge (Korrelationen) zwischen verschiedenen Faktoren zu finden. „Big Data“-Analysen werden auch genutzt, um Computern bestimmte Aufgaben beizubringen, etwa die Erkennung von Bildern. Man spricht dann von maschinellem Lernen.
zum Glossar
Kreditscoring nach dem Big Data-Prinzip ist in Deutschland allerdings noch kaum verbreitet. Den Schritt auf den deutschen Markt scheuen die Anbieter nicht ohne Grund: Ihr Ansatz verträgt sich kaum mit den Grundsätzen des Datenschutzrechts. Auch klassische Auskunfteien wie die Schufa haben sich bereits dafür interessiert, zumindest die öffentlichen Daten aus sozialen Netzwerken zu nutzen. Ein Forschungsprojekt dazu wurde nach Protesten vorerst gestoppt.
Scoring in anderen Bereichen
Neben dem Kreditscoring gibt es viele weitere Bereiche, in denen Scoring zum Einsatz kommt, um Prognosen über das Verhalten von Verbraucherinnen und Verbrauchern zu erstellen. Online-Shops nutzen es, um Kunden gezielt mit Werbung anzusprechen oder Abwanderungen zur Konkurrenz zu vermeiden. Versicherungen, Medizin oder Präventionsprogramme von Krankenkassen sind weitere Anwendungsgebiete. Gerade weil immer mehr Daten über Verbraucherinnen und Verbraucher entstehen, dürfte sich der Trend fortsetzen, diese für Verhaltensprognosen zu verwenden.