Credit Scores aus Verhaltens- und Bureau-Daten aufbauen

# Credit Scores aus Verhaltens- und Bureau-Daten aufbauen

Ein Kreditgeber erhält um 9:14 Uhr einen Antrag. Um 9:14:03 hat ein Modell einen Score, einen Preis und eine Entscheidung zurückgegeben. Irgendwo in diesen drei Sekunden wurden dutzende Datenfeatures gezogen, transformiert und gewichtet. Rekonstruieren wir genau, was passiert ist.

Die Entscheidung, die wir nachbauen

Stellen Sie sich „Maya“ vor, 29 Jahre alt, die einen Privatkredit über 12.000 $ beantragt. Ihre Kredithistorie ist überschaubar: eine Kreditkarte, vor drei Jahren 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 →öffnet, keine Hypothek, ein früherer Autokredit, abbezahlt.

Die Aufgabe des Kreditgebers ist, ihre probability of default (PD) zu schätzen, also die Wahrscheinlichkeit, dass sie nicht vereinbarungsgemäß zurückzahlt (oft definiert als 90+ Tage Zahlungsverzug innerhalb von 12 bis 24 Monaten). Diese eine Zahl steuert die Entscheidung über Annahme oder Ablehnung und den Zinssatz.

Um sie zu schätzen, greift das Modell auf drei Datenquellen zu. Nehmen wir sie eine nach der anderen.

Quelle 1: Bureau-Daten

Ein Credit Bureau ist ein Unternehmen, das Kredit- und Rückzahlungsdaten über verschiedene Kreditgeber hinweg aggregiert. In den USA sind die großen drei Equifax, Experian und TransUnion. In den meisten Ländern übernehmen ein oder zwei dominierende Bureaus dieselbe Rolle.

Wenn Maya den Antrag stellt, zieht der Kreditgeber ihren Credit Report und oft einen Bureau-Score wie FICO oder VantageScore. Die wichtigsten Rohfeatures:

• Zahlungshistorie: pünktliche versus verspätete Zahlungen. Das ist in den meisten Scores der am stärksten gewichtete Faktor.
• Credit Utilization: Salden geteilt durch Limits. Eine Karte bei 90 % ihres Limits signalisiert Stress.
• Länge der Historie: ältere Konten reduzieren Unsicherheit.
• Credit Mix und neue Anfragen: viele 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 →ürzliche „hard inquiries“ (Anträge) 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 →önnen darauf hindeuten, dass jemand auf der Suche nach Kredit ist.

Das Consumer Financial Protection Bureau erklärt, was in einen Credit Score einfließt, in einfacher Sprache, nützlich für Nicht-Spezialisten.

Bei Maya sind die Bureau-Daten sauber, aber dünn. Drei Jahre Historie und eine offene Karte geben dem Modell wenig Substanz. Das ist das Thin-File-Problem, und wir kommen darauf zurück.

Quelle 2: Verhaltens- und Transaktionsdaten

Wenn Maya ihr Konto beim Kreditgeber führt oder Zugriff auf ihre Kontodaten gewährt, sieht das Modell Cash Flow, nicht nur Kredithistorie.

Open Banking, ein Rahmen, in dem Verbraucher Dritten über sichere APIs Zugriff auf ihre Banktransaktionsdaten erlauben 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 →önnen, hat das in die Breite gebracht. In UK und der EU ist es reguliert; in den USA wächst es unter den Regeln, die rund um die Arbeit des CFPB zu Section 1033 finalisiert wurden.

Transaktionsdaten sind reich. Aus einem Rohfeed von Soll- und Habenbuchungen konstruieren Analysten Features wie:

• Einkommensstabilität: wie regelmäßig und wie hoch sind die Eingangszahlungen.
• Cash-Flow-Puffer: typischer Monatsendsaldo und wie oft 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 → sich der Null nähert.
• Diskretionäre versus gebundene Ausgaben: Miete, Nebenkosten und Kreditraten versus Essengehen und Shopping.
• Häufigkeit von Überziehungen: wiederholte Überziehungen sind ein starkes Frühwarnsignal für Stress.

Hier ist die Art von Feature Engineering, die aus einem Rohfeed einen Modellinput macht:

# Monthly net cash flow and overdraft count from a transaction table
monthly = (txns
    .assign(month=txns.date.dt.to_period("M"))
    .groupby("month")
    .agg(inflow=("amount", lambda x: x[x > 0].sum()),
         outflow=("amount", lambda x: -x[x < 0].sum()),
         min_balance=("running_balance", "min")))

monthly["net_flow"] = monthly.inflow - monthly.outflow
overdraft_months = (monthly.min_balance < 0).sum()

Für Maya sind diese Daten Gold. Selbst bei dünner Kreditdatei erzählen zwölf Monate stabiler Gehaltseingänge und ein konstant positiver Saldo eine starke Rückzahlungsgeschichte, die das Bureau allein verpasst hat.

Quelle 3: Alternative Daten

Alternative Daten bedeuten alles Prädiktive, das außerhalb traditioneller Kreditdateien liegt. Gängige, gut begründbare Beispiele:

• Miet- und Nebenkostenzahlungen: pünktliche Miete ist hoch relevant, war für Bureaus historisch aber unsichtbar. Programme erlauben Verbrauchern inzwischen, das hinzuzufügen.
• Telekom- und Abo-Zahlungen: regelmäßige Zahlung wiederkehrender Rechnungen.
• Cash Flow Underwriting: die oben genannten Transaktionsfeatures, formalisiert.

Manche Kreditgeber experimentieren mit riskanteren Signalen (Gerätedaten, Kaufverhalten). Behandeln Sie diese mit Vorsicht: sie wecken Fairness- und Datenschutzbedenken und laden regulatorische Prüfung ein. Der Wert alternativer Daten ist dort am größten, wo sie echte Fähigkeit und Bereitschaft zu zahlen erfassen, wie die Mietzahlungshistorie.

🎬 [VIDEO: „How Credit Scores Actually Work“ - youtube.com - eine klare Aufschlüsselung der Faktoren hinter Bureau-Scores und warum sie sich bewegen]

Die Features zu einem Modell zusammenführen

Der Kreditgeber hat nun vielleicht 50 bis 200 konstruierte Features. Zwei verbreitete Modellierungsansätze:

Logistische Regression / Scorecards. Das traditionelle Arbeitstier. Features werden gebinnt und mit Punkten versehen. Transparent, leicht gegenüber Regulatoren erklärbar und leicht nachvollziehbar. In der regulierten Kreditvergabe weiterhin dominant, genau weil man auf jeden Grund zeigen kann.

Gradient Boosted Trees und ML-Modelle. Prädiktiver, besonders mit reichen Transaktionsdaten. Aber schwerer zu erklären, was im Kredit enorm wiegt.

Welches Modell auch immer, der Output ist eine PD. Eine vereinfachte Scorecard-Logik sieht so aus:

• Basispunkte: 600
• Anteil pünktlicher Zahlungen über 98 %: +40
• Utilization unter 30 %: +30
• Stabile Gehaltseingänge (12+ Monate): +35
• Zwei oder mehr Überziehungen im letzten Quartal: -25

Maya punktet beim Cash Flow, was ihre dünne Bureau-Datei ausgleicht. Genehmigt, zu einem mittleren Zinssatz.

Das Thin-File-Problem

Grob geschätzt sind mehrere zehn Millionen Erwachsene in den USA credit invisible oder unscorable, das heißt, den Bureaus fehlen genug Daten, um einen Score zu erzeugen. Das CFPB hat Untersuchungen veröffentlicht, die diese Gruppe auf mehrere zehn Millionen schätzen.

Thin-File-Antragsteller sind überproportional jung, 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 →ürzlich eingewandert oder haben geringere Einkommen. Ein Modell, das sich nur auf Bureau-Daten verlässt, lehnt viele von ihnen standardmäßig ab, nicht weil sie riskant sind, sondern weil sie unbekannt sind.

Das ist das zentrale wirtschaftliche und gesellschaftliche Argument für alternative Daten: sie 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 →önnen Menschen, die kreditwürdig aber unsichtbar sind, sicher Kredit zugänglich machen. Cash-Flow- und Mietdaten sind die am besten belegten Hebel.

Fairness-Anforderungen formen das Modell um

Kreditmodelle arbeiten unter strengem Antidiskriminierungsrecht. In den USA verbietet der Equal Credit Opportunity Act (ECOA) Diskriminierung aufgrund geschützter Merkmale wie Rasse, Geschlecht, Alter und nationale Herkunft.

Zwei Konsequenzen prägen jede Feature-Entscheidung:

1. Disparate Impact. Selbst ein neutral aussehendes Feature kann rechtswidrig sein, wenn es ohne geschäftliche Rechtfertigung schlechtere Ergebnisse für eine geschützte Gruppe produziert. Ein Feature wie die Postleitzahl kann etwa als Proxy für Rasse wirken. Modellierer testen Features darauf und entfernen oder beschränken sie oft.

2. Adverse Action Notices. Würde Maya abgelehnt, verlangt ECOA vom Kreditgeber, ihr die konkreten Gründe zu nennen („hohe Credit Utilization“, „unzureichende Einzahlungshistorie“). Deshalb ist Explainability nicht optional. Eine Black Box, die keinen gültigen Reason Code liefern kann, lässt sich in der regulierten Kreditvergabe nicht einsetzen.

Fairness-Arbeit läuft also parallel zur Modellierung: Ergebnislücken zwischen Gruppen messen, nach weniger diskriminierenden alternativen Modellen suchen, die die Genauigkeit halten und die Lücken verkleinern, und jede Entscheidung dokumentieren. Das CFPB hat festgestellt, dass die Adverse-Action-Regeln vollständig für komplexe Algorithmen gelten, einschließlich machine learning.

Alles wieder zusammensetzen

Zurück zu Maya um 9:14 Uhr. Hier die vollständige Rekonstruktion:

1. Die Bureau-Abfrage liefert eine dünne, aber saubere Datei. Für sich genommen grenzwertig.

2. Der Open-Banking-Feed ergänzt zwölf Monate stabiles Einkommen und einen gesunden Saldopuffer. Das hebt ihren Score deutlich.

3. Alternative Mietdaten bestätigen pünktliche Wohnkostenzahlungen.

4. Fairness-Checks bestätigen, dass keine verbotenen Features die Entscheidung getrieben haben, und Reason Codes sind bei Bedarf bereit.

5. Das Modell gibt eine PD aus, die niedrig genug für eine Genehmigung ist, und bepreist den Kredit entsprechend.

Die Lehre: modernes Credit Scoring ist nicht eine Zahl von einem Bureau. Es ist ein geschichtetes System, in dem Transaktions- und alternative Daten Thin-File-Antragsteller retten und in dem Fairness- und Explainability-Anforderungen aktiv mitbestimmen, welche Features überleben.

Wichtigste Erkenntnisse

• Drei Datenschichten treiben Kreditmodelle: Bureau (Historie und Utilization), Verhalten (Cash Flow aus Transaktionen) und alternativ (Miete, Nebenkosten). Jede füllt Lücken, die die anderen lassen.
• Thin-File-Antragsteller sind ein Feature-Problem, kein Risikoproblem. Mehrere zehn Millionen kreditwürdige Menschen sind für Bureaus unsichtbar; Cash-Flow- und Mietdaten sind die am besten belegten Wege, sie sicher zu scoren.
• Fairness-Recht formt das Feature-Set um. ECOA und Disparate-Impact-Tests 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 →önnen prädiktive Features (wie Postleitzahl-Proxies) eliminieren und erklärbare Modelle gegenüber Black Boxes erzwingen.
• Explainability ist harte Anforderung, kein Nice-to-have. Adverse Action Notices bedeuten, dass jede Ablehnung konkrete, gültige Gründe braucht, was transparente Scorecards oder gut instrumentiertes ML begünstigt.
• Der Score ist eine probability of default, die in eine Annahme/Ablehnung und einen Preis übersetzt wird. Alles davor existiert, um diese eine Zahl genauer und fairer zu schätzen.