Banken · Credit Scores aus Verhaltens- und Bureau-Daten aufbauen

Um 9:14 Uhr geht bei einem Kreditgeber ein Antrag ein. Um 9:14:03 hat ein Modell einen Score, einen Preis und eine Entscheidung geliefert. Irgendwann in diesen drei Sekunden wurden Dutzende Datenfeatures abgerufen, transformiert und gewichtet. Rekonstruieren wir genau, was passiert ist.

Die Entscheidung, die wir rekonstruieren

Stellen Sie sich „Maya" vor, 29 Jahre alt, die einen Privatkredit über 12.000 $ beantragt. Ihre Kredithistorie ist überschaubar: eine Kreditkarte vor drei Jahren eröffnet, keine Hypothek, ein abbezahlter Autokredit.

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

Zur Schätzung greift das Modell auf drei Datenquellen zurück. Nehmen wir sie nacheinander durch.

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 einen Antrag stellt, ruft der Kreditgeber ihren Credit Report ab und oft auch einen Bureau Score wie FICO oder VantageScore. Die wichtigsten Rohfeatures:

• Zahlungshistorie: pünktliche versus verspätete Zahlungen. Das ist in den meisten Scores der mit Abstand schwerste 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 aktuelle „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 Kreditsuche ist.

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

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

Quelle 2: Verhaltens- und Transaktionsdaten

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

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

Transaktionsdaten sind reichhaltig. Aus einem Rohfeed von Belastungen und Gutschriften konstruieren Analysten Features wie:

• Einkommensstabilität: wie regelmäßig und wie hoch sind eingehende Zahlungen.
• 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 → gegen null geht.
• Diskretionäre versus gebundene Ausgaben: Miete, Nebenkosten und Kreditraten gegenüber Essengehen und Shopping.
• Überziehungshäufigkeit: wiederholte Kontoüberziehungen sind ein starkes Frühwarnsignal für Stress.

So sieht das Feature Engineering aus, das aus einem Rohfeed einen Modell-Input macht:

# Monatlicher Netto-Cash-Flow und Anzahl der Überziehungen aus einer Transaktionstabelle
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 wert. Trotz dünner Kreditakte erzählen zwölf Monate mit stetigen Gehaltseingängen und durchgehend positivem Saldo eine starke Rückzahlungsgeschichte, die das Bureau allein verpasst hat.

Quelle 3: Alternative Daten

Alternative Daten meint alles Prädiktive außerhalb klassischer Kreditakten. Gängige, gut begründbare Beispiele:

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

Manche Kreditgeber experimentieren mit riskanteren Signalen (Gerätedaten, Kaufverhalten). Damit vorsichtig umgehen: Sie werfen Fairness- und Datenschutzfragen auf und ziehen regulatorische Aufmerksamkeit an. Der Wert alternativer Daten ist dort am größten, wo sie echte Zahlungsfähigkeit und Zahlungsbereitschaft abbilden, etwa 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 gängige Modellierungsansätze:

Logistische Regression / Scorecards. Das traditionelle Arbeitspferd. Features werden gebinnt und mit Punkten belegt. Transparent, gut gegenüber Regulierern erklärbar und leicht nachvollziehbar. Im regulierten Kreditgeschäft immer noch dominierend, gerade weil man jeden Grund benennen kann.

Gradient Boosted Trees und ML-Modelle. Prädiktiver, besonders mit reichhaltigen Transaktionsdaten. Aber schwerer erklärbar, und das wiegt im Kreditgeschäft enorm schwer.

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

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

Maya schneidet beim Cash Flow gut ab, was ihre dünne Bureau-Akte ausgleicht. Zusage, zu einem Zinssatz im mittleren Bereich.

Das Thin-File-Problem

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

Thin-File-Antragsteller sind überproportional jung, erst kürzlich eingewandert oder einkommensschwächer. Ein Modell, das sich nur auf Bureau-Daten stützt, lehnt viele von ihnen standardmäßig ab, nicht weil sie riskant sind, sondern weil sie unbekannt sind.

Das ist das zentrale geschäftliche und gesellschaftliche Argument für alternative Daten: Sie können Kredit sicher an Menschen vergeben, die kreditwürdig, aber unsichtbar sind. Cash-Flow- und Mietdaten sind die bewährtesten Hebel.

Fairness-Auflagen formen das Modell um

Kreditmodelle unterliegen striktem Antidiskriminierungsrecht. In den USA verbietet der Equal Credit Opportunity Act (ECOA) Diskriminierung aufgrund geschützter Merkmale wie Ethnie, Geschlecht, Alter und nationaler Herkunft.

Zwei Konsequenzen prägen jede Feature-Entscheidung:

1. Disparate Impact. Selbst ein neutral wirkendes 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 Ethnie wirken. Modellierer testen Features darauf und entfernen oder beschränken sie häufig.

2. Adverse Action Notices. Würde Maya abgelehnt, verlangt ECOA vom Kreditgeber, ihr die konkreten Gründe zu nennen („hohe Credit Utilization", „unzureichende Einzahlungshistorie"). Deshalb ist Erklärbarkeit nicht optional. Eine Black Box, die keinen validen Reason Code liefern kann, lässt sich im regulierten Kreditgeschäft nicht einsetzen.

Fairness-Arbeit läuft also parallel zur Modellierung: Ergebnisunterschiede zwischen Gruppen messen, nach weniger diskriminierenden Alternativmodellen suchen, die die Genauigkeit halten und die Lücken verkleinern, und jede Entscheidung dokumentieren. Die CFPB hat festgestellt, dass die Adverse-Action-Regeln vollumfänglich 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 Akte. Für sich genommen grenzwertig.
2. Der Open-Banking-Feed ergänzt zwölf Monate stetiges Einkommen und einen soliden Saldopuffer. Das hebt ihren Score spürbar.
3. Alternative Mietdaten bestätigen pünktliche Wohnkostenzahlungen.
4. Fairness-Checks bestätigen, dass keine verbotenen Features die Entscheidung getrieben haben, und Reason Codes liegen bereit, falls nötig.
5. Das Modell gibt eine PD aus, die niedrig genug für eine Zusage ist, und bepreist den Kredit entsprechend.

Die Lektion: 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 Erklärbarkeitsauflagen 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. Zig Millionen kreditwürdiger Menschen sind für Bureaus unsichtbar; Cash-Flow- und Mietdaten sind die bewährtesten Wege, sie sicher zu scoren.
• Fairness-Recht formt das Feature-Set um. ECOA und Disparate-Impact-Tests können prädiktive Features (wie Postleitzahl-Proxys) eliminieren und erklärbare Modelle gegenüber Black Boxes erzwingen.
• Erklärbarkeit ist harte Anforderung, kein Nice-to-have. Adverse Action Notices bedeuten, dass jede Ablehnung konkrete, valide Gründe braucht, was für transparente Scorecards oder gut instrumentiertes ML spricht.
• Der Score ist eine Ausfallwahrscheinlichkeit, übersetzt in Zusage/Ablehnung und einen Preis. Alles davor existiert, um diese eine Zahl genauer und fairer zu schätzen.