Wie Tala eine Kredit-Engine für die unsichtbarsten Kreditnehmer der Welt gebaut hat

Als Shivani Siroya 2011 Tala gründete, wollte sie ein Problem lösen, das das klassische Credit Scoring schlicht für unlösbar erklärt hatte: Wie prüft man jemanden, der nie ein Bankkonto, einen Versorgungsvertrag auf den eigenen Namen oder irgendeinen Kredit hatte? Der Thin-File-Kunde ist in einem reifen Markt wie den USA oder Großbritannien ein Randfall. In Kenia, Tansania, den Philippinen und Indien trifft diese Beschreibung auf die Mehrheit der erwachsenen Bevölkerung zu. Klassische Modelle im FICO-Stil brauchen eine Mindesthistorie, um überhaupt einen Score zu erzeugen. Talas erster Markt, Kenia, hatte eine Mobile-Money-Durchdringung von über 70 Prozent, aber eine deutlich geringere Abdeckung durch formale Kreditauskunfteien. Die adressierbare Bevölkerung war riesig; die Daten für die Kreditprüfung fehlten nach herkömmlicher Definition.

Was Tala tatsächlich gebaut hat

Talas Ansatz beginnt mit einer einfachen technischen Prämisse: Ein Smartphone ist Transaktionsbuch, Verhaltenstagebuch und Karte eines sozialen Netzwerks zugleich. Mit ausdrücklicher Einwilligung der Nutzer beim Onboarding fragt die Tala-App Zugriff auf eine bestimmte Menge an Signalen auf dem Gerät ab: SMS-Transaktionsbelege von M-Pesa, Anrufprotokolle, App-Nutzungsmuster und Metadaten zu Kontakten (nicht Inhalte, sondern Häufigkeit und Gegenseitigkeit der Kommunikation). Diese Rohsignale laufen anschließend durch ein eigenes Modell, das einen Credit Score dort erzeugt, wo vorher keiner existierte.

Die eigentliche Arbeit steckt im Feature Engineering. Talas Data Scientists stellten fest, dass das Verhältnis eingehender zu ausgehenden M-Pesa-Transaktionen das Rückzahlungsverhalten vorhersagt, ebenso die Vielfalt der Gegenparteien, mit denen ein Kreditnehmer Geschäfte macht. Wer Geld von vielen verschiedenen Personen erhält statt von einem einzigen Arbeitgeber, hat oft ein robusteres informelles Einkommen, als eine schmale Transaktionshistorie vermuten lässt. Auch die Stabilität des Kontaktnetzes über die Zeit, also geringer Churn bei den Personen, die jemand anruft, korrelierte mit Zuverlässigkeit. Keine dieser Variablen taucht in irgendeiner Kreditauskunftei auf.

Das ist nicht bloß Feature-Auswahl, sondern eine völlig andere Theorie von Kreditwürdigkeit. Während auskunfteibasierte Modelle das vergangene Verhalten eines Kreditnehmers gegenüber formalen Finanzinstituten messen, misst Talas Modell die wirtschaftliche Teilhabe in der informellen Ökonomie.Zu verstehen, was Zahlungsflüsse und Kontaktmuster tatsächlich über das Finanzleben eines Kreditnehmers aussagen,erfordert, diese analytische Fähigkeit von Grund auf aufzubauen, denn kein Anbieter verkauft Ihnen einen fertigen Proxy für M-Pesa-Reziprozitätsquoten.

Tala hat außerdem früh stark in Model Governance investiert, aus gutem Grund. Kreditvergabe an unterversorgte Bevölkerungsgruppen in Schwellenmärkten zieht Prüfung aus mehreren Richtungen gleichzeitig nach sich: Verbraucherschutzbehörden in jedem Betriebsland, globale Investoren, die Belege für eine vertretbare Kreditbepreisung wollen, und zivilgesellschaftliche Gruppen, die auf jedes Muster achten, das nach gezieltem Zugriff auf Schutzbedürftige aussieht. Das Unternehmen veröffentlicht, was seine Modelle berücksichtigen und was nicht, und schließt Variablen ausdrücklich aus, die im Rahmen lokaler Fair-Lending-Vorgaben als Proxy für Ethnie, Religion oder Herkunft wirken kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnten.Hier etwas falsch zu machen, auch unbeabsichtigt, erzeugt jene Adverse-Action-Haftung, die ein Kreditgeschäft komplett stoppen kann.

Die Ergebnisse

Bis 2026 hat Tala nach eigenen Angaben mehr als 9 Milliarden Dollar an Krediten in seinen Märkten ausgezahlt. Das Unternehmen nennt eine Kundenbasis von über 8 Millionen Kreditnehmern, von denen die Mehrheit zuvor keine formale Kredithistorie hatte. Diese Zahlen stammen von Tala selbst, sind also als Anhaltspunkt und nicht als unabhängig geprüft zu behandeln.

Extern überprüfbar ist der Benchmark zur Ausfallquote. Tala nennt für seine Portfolios in Schwellenmärkten durchgehend Ausfallquoten von 7 bis 10 Prozent, was im Vergleich zu den Verlusten informeller Geldverleiher in denselben Märkten gut dasteht, aber höher liegt als die Ausfälle unter 3 Prozent, die ein gut besicherter Prime-Kreditgeber akzeptieren würde. Der relevante Vergleich ist nicht der mit einem Prime-Portfolio, sondern mit der bisherigen Option dieser Kreditnehmer: gar kein formaler Kredit oder ein Kredithai mit 200 Prozent Jahreszins.

Das Modell ist mit wachsendem Datenbestand auch besser geworden. Das Rückzahlungsverhalten früherer Kohorten fließt zurück in das Scoring-Modell, womit sich Talas Wettbewerbsposition auf eine Weise verstärkt, die ein Neueinsteiger ohne diese Verhaltenshistorie kaum nachbauen kann. Das ist der echte Burggraben beim Underwriting mit alternativen Daten: das Daten-Flywheel, nicht der Algorithmus.

Was übertragbar ist und was nicht

Für einen CDO in einem Fintech, das in stärker regulierten westlichen Märkten arbeitet, lehrt der Fall Tala einiges, wofür man kein Büro in Nairobi braucht.

Erstens: Das Prinzip, dass Transaktionsverhalten Kreditwürdigkeit offenlegt, lässt sich verallgemeinern, die konkreten Signale nicht. Im britischen oder EU-Kontext gibt Open Banking nach PSD2 Kreditgebern Einblick in Zu- und Abflüsse auf Girokonten, und zwar in einer Detailtiefe, der das Parsen von M-Pesa-SMS nur nahekommt. Die analytische Frage bleibt dieselbe: Was sagen Einkommensregelmäßigkeit, Vielfalt der Gegenparteien und Stabilität der Ausgabenmuster über die Rückzahlung aus? Der rechtliche Weg zu diesen Daten ist ein völlig anderer.

Zweitens: Consent-Architektur ist keine Häkchenübung. Talas App fragt bestimmte Berechtigungen ab und erklärt sie in der Landessprache auf dem Leseniveau einer fünften Klasse. In einer DSGVO-Umgebung muss Ihre Rechtsgrundlage für die Verarbeitung alternativer Datensignale dokumentiert, zweckgebunden und gegenüber einer Datenschutzbehörde vertretbar sein. Der Moment der Einwilligung ist auch der Punkt, an dem Sie Kreditnehmer verlieren, denen der Umfang des angefragten Zugriffs unangenehm ist, was selbst ein Selektionssignal ist, das eine Analyse wert ist.

Drittens: Die Anforderungen an Model Governance sind in westlichen Märkten deutlich strenger. Die Regelungen des EU AI Act zum Credit Scoring, die Consumer-Duty-Pflichten der FCA in Großbritannien und die Adverse-Action-Notice-Regeln des CFPB in den USA verlangen allesamt, dass ein abgelehnter Antragsteller eine Erklärung erhält, mit der ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → tatsächlich etwas anfangen kann. Explainability in ein Modell einzubauen, das auf 10.000 Verhaltensmerkmalen trainiert ist, ist ein echtes technisches Problem und keine Compliance-Fußnote.

Viertens: Der Vorteil des Daten-Flywheels ist real, braucht aber Zeit. Ein Kreditgeber, der 2026 ohne bestehende Rückzahlungsdaten ins Thin-File-Underwriting einsteigt, wird schlechtere Modelle haben als einer mit vier Jahren gelabelter Ergebnisse. Alternative Daten bei einem Auskunftei-Aggregator einzukaufen (FinScore in Südostasien, Aire oder Nova Credit in westlichen Märkten) lässt Sie schneller starten, aber Sie mieten das Signal eines anderen, statt Ihr eigenes aufzubauen.

Die konkrete Lehre lautet: Talas Vorteil ist nicht der Algorithmus, sondern die Bereitschaft, Kreditwürdigkeit anders zu definieren und dann die Daten zu erheben, die diese Definition stützen. Data-Verantwortliche, die das Ergebnis nachbauen wollen, müssen mit derselben Frage anfangen wie Siroya, und die lautet nicht „welche Daten haben wir?", sondern „welches Verhalten sagt die Rückzahlung bei dieser Zielgruppe tatsächlich voraus, und wie bekommen wir rechtmäßigen Zugang dazu?" In der Lücke zwischen diesen beiden Fragen bleiben die meisten Thin-File-Initiativen stecken.

Der vollständige Kurs zu diesem Sektor:Data in Fintech.