Social Scoring und Digitalisierung im Kreditgeschäft. Potentiale und mögliche Probleme

Inhaltsverzeichnis

Abkürzungsverzeichnis

1 Einleitung

2 Social Scoring – ein Instrument zur Bonitätsanalyse
2.1 Theoretische und begriffliche Grundlagen
2.1.1 Klassisches Scoring- und Ratingverfahren
2.1.2 Big Data
2.1.3 Evolution zu Social Scoring
2.2 Vorteile für Kreditinstitute
2.3 Gegeneffekte, Probleme und Bedenken

3 Digitalisierung im Kreditgeschäft
3.1 Chancen für den Finanzsektor
3.2 Herausforderungen während des Umstrukturierungsprozesses

4 Zusammenfassung

Literaturverzeichnis

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Kurzfassung

Unter Social Scoring versteht man die Einbindung öffentlich verfügbarer oder gegebenenfalls vom Kunden zur Verfügung gestellter Daten, zum Beispiel aus sozialen Netzwerken, in ein vorhandenes Rating- und Scoringverfahren zur Bonitätsanalyse. Diese Arbeit zeigt auf, welche Vorteile sich Institute davon versprechen, aber auch welche Probleme dabei entstehen. Besonders nützlich ist das System bei anonymen Internetnutzern oder Neukunden. Kritisch zu sehen ist, insbesondere in Deutschland, die rechtliche Situation im Zusammenhang mit dem Verbraucher- und Datenschutz. Es gibt aktuell weder ein konkretes Verbot, noch eine rechtliche Zulassung für Social Scoring, was für Unternehmen einen Unsicherheitsfaktor darstellt. Erste Studien belegen außerdem, dass Nutzer im Zeitverlauf dazu neigen Daten in den sozialen Netzwerken zu manipulieren, wenn das den eigenen Scorewert verbessert. Weiterhin wird in dieser Abfassung ein Ausschnitt neuer Entwicklungen in der Bankenbranche aufgezeigt und beschrieben mit welchen Herausforderungen Finanzinstitute im Zuge der Digitalisierung rechnen müssen.

1 Einleitung

Seit der Finanzkrise 2008, den daraus resultierenden strengen Auflagen der Bankenaufsicht und der weiter anhaltenden Niedrigzinspolitik befindet sich die Bankenbranche im Umbruch. Es wird nach neuen Wegen gesucht, den Kunden effizient und kostengünstig mit neuen Produktlösungen zu überzeugen. Auch sogenannte FinTechs, also junge, innovative Finanzunternehmen, drängen verstärkt auf den Finanzmarkt. Das schafft Wettbewerb und beschleunigt die Digitalisierung in der Branche.¹

Ein Eckpfeiler in dieser Entwicklung ist die Erkenntnis über die hohe Relevanz von Daten. Technologieunternehmen wie Google und Facebook haben aufgezeigt, wie sich so ganze Geschäftsmodelle verändern lassen. Mit den gesammelten Informationen schafft sich das jeweilige Unternehmen einen Wissensvorsprung, der Markteintrittsbarrieren aufbaut und eine zielgerichtete Produktoptimierung ermöglicht.²

Auch im Kreditgeschäft können Erkenntnisse aus noch ungenutzten Informationsquellen einen hohen Mehrwert bieten. Eine interessante Entwicklung ist die Dateneinbindung aus sozialen Netzwerken in das Kreditscoring. Bereits im Jahr 2012 gab es erste Forschungen der SCHUFA Holding AG zu diesem Thema. Nach öffentlicher Kritik wurde das Projekt allerdings vorzeitig eingestellt.³

Einen Schritt weiter ist die Volksrepublik China. Dort soll ab dem Jahr 2020 landesweit das sogenannte „Social Credit System“ eingeführt werden. Als Datenquellen sind dafür unter anderem Krankenakten, Gerichtsurteile und soziale Netzwerke vorstellbar. Anhand dieser Informationen erhalten die Bürger eine Scoring-Punktzahl. Wer zum Beispiel über das Internet gesunde Babynahrung bestellt, sammelt Pluspunkte. Wer hingegen seinen Unterhalt für Kinder nicht zahlt, verschlechtert seinen Punktestand. Gut bewertete Einwohner haben dann bessere Chancen auf einen Studienplatz, während Personen mit einer schlechten Bewertung um ihren Arbeitsplatz bangen müssen.⁴

Das Ziel dieser Arbeit ist eine Untersuchung, inwieweit es vorstellbar ist, das Social-Scoring-System für die Kreditwürdigkeitsbeurteilung in Deutschland einzuführen. Dabei soll der datenschutzrechtliche Aspekt bedeutend miteinbezogen werden. Zunächst werden in Kapitel 2 die themenrelevanten Begrifflichkeiten definiert (Kapitel 2.1), sodass ein tieferer Einblick in die Thematik gegeben ist. Auf dieser Basis werden die Vorteile (Kapitel 2.2) und gegenläufige Meinungen und Bedenken (Kapitel 2.3) beschrieben. In Kapitel 3 liegt der Schwerpunkt in der Themenstellung „Digitalisierung im Kreditgeschäft“. In diesem Abschnitt wird auf weitere Entwicklungen, die es neben dem Social Scoring gibt, eingegangen. Insbesondere die Chancen (Kapitel 3.1) und die Herausforderungen (Kapitel 3.2) der Finanzbranche werden herausgestellt. Zuletzt folgt eine Schlussbetrachtung (Kapitel 4) mit den Erkenntnissen dieser Auswertung.

2 Social Scoring – ein Instrument zur Bonitätsanalyse

Für eine vollständige Themenbetrachtung ist es notwendig, die bereits gegebene Literatur in Bezug auf die Frage nach den Möglichkeiten und Grenzen des Social Scorings zu analysieren. Dies beinhaltet eine Definition der wichtigsten Begriffe und eine Gegenüberstellung der Vor- und Nachteile dieser Möglichkeit zur Bonitätsbeurteilung.

2.1 Theoretische und begriffliche Grundlagen

Um ein umfassendes Verständnis zu erlangen, ist es zu Beginn erforderlich, den Grundgedanken des klassischen Scoring- und Ratingverfahrens zu definieren. Anschließend wird der Begriff Big Data expliziert, der in diesem Zusammenhang eine wichtige Rolle spielt. Aus den beiden Definitionen lässt sich schließlich die Idee der Evolution zu Social Scoring ableiten.

2.1.1 Klassisches Scoring- und Ratingverfahren

Die Grundidee des Scorings ist es, einen Darlehensnehmer mit verschiedenen Merkmalen zu beschreiben. Die Merkmale bekommen jeweils Werte zugeordnet. Diese Werte werden zusammengeführt und es wird anhand von statistischen Erfahrungswerten ein Scorewert ermittelt. Der Scorewert gibt nun Rückschlüsse über die Kreditwürdigkeit und kann auf verschiedene Ratingklassen abgebildet werden.⁵ Durch das Rating wird das Risiko beziffert, mit welcher Wahrscheinlichkeit ein Kredit ausfällt. Es ist also ein Frühwarnindikator für die Vorhersage von Krisen, bestimmt damit die Kreditwürdigkeit von Unternehmen und hat Einfluss auf die Kredithöhe und -konditionen. Bei Banken wird das System schon seit Jahrzehnten für die interne Kreditwürdigkeitsprüfung verwendet. Mit Einführung von Basel II hat die Ermittlung von Ausfallwahrscheinlichkeiten weiter an Bedeutung gewonnen. Durch die Vorschrift der Bankenaufsicht sind Kreditinstitute dazu verpflichtet, Eigenkapital entsprechend nach dem Rating bei ausgereichten Krediten vorzuhalten.⁶ Je nach Typ des Kreditnehmers werden unterschiedliche Scoringansätze verwendet. Im Privatkundengeschäft werden Informationen eingeholt, die für eine hohe Zuverlässigkeit und stabile wirtschaftliche Verhältnisse stehen. Das kann zum Beispiel durch den Familienstand, Arbeitgeber, Art der Kontoführung, Schufa-Auskunft oder eine Vermögensaufstellung abgefragt werden. Im Firmenkundengeschäft ist dagegen die Jahresabschlussanalyse der relevanteste Faktor. Durch die Ermittlung von Kennzahlen kann die aktuelle Ertrags- und Vermögenslage eingeschätzt werden. Die Zukunftsaussichten des Unternehmens werden unter anderem durch die Bewertung von Managementqualität und Wettbewerbsprognosen in das Scoring eingebracht. Auch wenn die Grundlagen des Scoringverfahrens durch die aufsichtsrechtlichen Rahmenbedingungen ähnlich sind, kann es zwischen Banken zu Unterscheidungen in Bezug auf Merkmalsauswahl oder -gewichtung kommen.⁷

2.1.2 Big Data

In der gängigen Literatur werden Big Data vier Eigenschaften zugesprochen: Volume, Velocity, Variety und Veracity. Volume steht für die Masse an Daten, die technisch zur Verfügung stehen und weitere Schlussfolgerungen ermöglichen. Der Begriff Velocity beschreibt die Geschwindigkeit, mit der neue Daten entstehen oder bestehende Daten geändert werden. Die unterschiedlichen Datenformate und -strukturen werden durch den Ausdruck Variety betont. Die Hauptaufgabe von Big Data besteht darin, die Informationen in eine Struktur zu formen, die vom Computer analysiert und gedeutet werden kann. Auch das Einbringen von nicht objektiv-messbaren Informationen ist kennzeichnend für Big-Data-Analysen (Veracity).⁸

2.1.3 Evolution zu Social Scoring

Das Social Scoring erweitert die bisherigen Scoringansätze um zusätzliche Informationsquellen. Mit Zustimmung des Kunden können weitere, frei zugängliche Kanäle ausgewertet werden, zum Beispiel Facebook, Xing, aber auch Onlineplattformen wie Amazon. Mithilfe von Big Data werden große Datenmengen strukturiert. Neben neuen Daten werden auch Widersprüche in den Bestandsangaben analysiert. Dadurch werden Informationen gewonnen, die Rückschlüsse auf die Kreditwürdigkeit des Kunden geben. Insbesondere für Neukunden, bei denen die Bank noch keine eigenen Erfahrungen sammeln konnte, hilft der Social-Scoring-Ansatz bei der Bonitätsbeurteilung. Umstritten sind die aktuellen, rechtlichen Rahmenbedingungen, unter denen Social Scoring angewendet werden kann. Diese Fragestellung wird im weiteren Verlauf dieser Arbeit näher untersucht.⁹

2.2 Vorteile für Kreditinstitute

Nach Erläuterung der wesentlichen Begrifflichkeiten, stellt sich nun die Frage, womit Kreditinstitute von Social Scoring profitieren können.

Durch die regelmäßigen Erhöhungen der Girokontogebühren und die Einführung des gesetzlichen Konto-Umzug-Services ist ein Wechsel der Hausbank immer einfacher. Ein großer Nutzen von Social Scoring ist, dass Personen bewertet werden können, die Neukunden sind oder bisher über keine Kredithistorie verfügen. Das ist zum Beispiel auch bei Personen der Fall, die erst kürzlich volljährig geworden sind. In diesen Fällen kann eine Bank auf wenig oder keine Erfahrungswerte zurückgreifen. Sind Kriterien wie Einkommensverhältnisse oder Sicherheitenstellung kein Argument für eine Kreditzusage, kann die Bank eine Anfrage womöglich ablehnen. Alternativ ist es auch denkbar, dass das ungewisse Risiko in die Zinskalkulation eingepreist wird. Das bedeutet, dass der Darlehensnehmer einen Zinsaufschlag auf die Darlehenskondition erhält, da die Bank den Kunden vorsichtiger einschätzt. Bei der Auswertung von sozialen Netzwerken kann das Kreditinstitut auf langjährige Datenbestände zurückgreifen und neue Kreditnehmer exakter beurteilen. Durch dieses Verfahren ist es möglich, dass die Bank einen Kredit vergibt, der bei einer konventionellen Herangehensweise abgelehnt wird. Dadurch können weitere Wachstumspotenziale im Kreditgeschäft generiert werden.¹⁰

Auf ähnliche Weise können auch Kreditgeber für Mikrofinanzierungen profitieren. Das Geschäftsfeld wird vorrangig im Internet betrieben. Es gibt kaum persönlichen Kontakt und die Kreditinteressenten sind in der Regel unbekannt. Eine Darlehensvergabe erfordert zu Beginn möglichst viele Informationen über den potenziellen Kreditnehmer. Eigene Erfahrungswerte haben die neuen Kreditvergabe-Plattformen kaum aufgebaut, daher sind externe Daten erforderlich. Die Untersuchung einer chinesischen Peer-to-Peer-Plattform zeigt, dass es durch die Auswertung von Facebook-Beiträgen möglich ist, zwischen der Qualität der Kreditnehmer zu unterscheiden. Die große Informationsasymmetrie zwischen Darlehensgeber und -nehmer kann damit zum Teil geschlossen werden.¹¹

Auch das Thema Sicherheit wird indirekt durch Social Scoring verbessert. Die große Menge der Daten erlaubt es mit Big-Data-Analysen Betrugsmuster zu erkennen. Nicht nur in der jeweiligen Bank, sondern im kompletten Bankensystem, können so kriminelle Aktivitäten aufgedeckt werden. Das System wird zuverlässiger und es entstehen keine oder weniger Schadensfälle.¹²

Zuletzt soll als Vorteil die genauere Kundensegmentierung nicht unerwähnt bleiben. Kreditinstitute nutzen bereits seit vielen Jahren die Möglichkeit der Potenzialeinstufung. Bisher basiert das aber weitestgehend auf harte Kennzahlen wie Einkommen, Vermögen oder Alter des Kunden. Durch die Nutzung von Daten aus sozialen Netzwerken erhoffen sich Banken eine Segmentierung, die feiner und exakter ist.¹³

2.3 Gegeneffekte, Probleme und Bedenken

Nachdem nun die Vorteile konkretisiert wurden, gibt es einige Argumente, die für eine Einführung von Social Scoring sprechen. Es stellt sich nun die Frage, welche Gründe gegen die Einbeziehung von sozialen Daten bei der Kreditwürdigkeitsprüfung stehen.

Speziell in Deutschland findet der Verbraucher- und Datenschutz sehr große Beachtung. Daher wird zunächst untersucht, ob ein entsprechendes Scoringsystem, unter Beachtung der deutschen und europäischen Gesetzgebung, vorstellbar ist.

Das Scoring ist im Bundesdatenschutzgesetz in § 31 geregelt. Eine Datenerhebung ist danach unter bestimmten Voraussetzungen möglich, wenn ein Wahrscheinlichkeitswert für ein künftiges Verhalten während einer Vertragsbeziehung benötigt wird. Ein wichtiger Faktor dabei ist eine wissenschaftliche, statistisch-mathematische Nachweisbarkeit des Verfahrens. Die Auswertung von Massendaten wird immer relevanter und mit der Big-Data-Analyse können Wechselwirkungen aufgezeigt werden. Dennoch sind diese noch nicht zuverlässig nutzbar und zeigen nicht die vorausgegangene Ursache von Ergebnissen auf. Nach aktuellem Stand der Forschung ist ein statistisch-mathematischer Nachweis daher nicht möglich und macht eine Einbeziehung in das Scoring wenig begründbar. Das hat zur Folge, dass betroffene Personen gemäß § 35 BDSG die Löschung der Daten veranlassen können. In der Praxis wird es für die Aufsichtsbehörde jedoch sehr schwer zu kontrollieren, ob der Algorithmus eines Unternehmens bei der Datenerhebung wissenschaftlich korrekt ist. Für die Prüfung müssten spezielle Gutachter oder Mathematiker beschäftigt werden, die das Verfahren nachvollziehen können.¹⁴

Europaweit wurde das Thema durch die Datenschutz-Grundverordnung neu geregelt. Seit 14. April 2016 gelten für die europäischen Mitgliedsstaaten einheitliche Regeln und führten unter anderem zu einer Anpassung des Bundesdatenschutzgesetzes in Deutschland. Richtlinien hinsichtlich des Umgangs mit Scoring sind nicht eindeutig in der neuen Verordnung definiert. Das Profiling, Scoring ist eine spezielle Unterkategorie dieses Begriffs, wird lediglich in Artikel 22 genannt. Hier wird beschrieben, dass Unternehmen fast uneingeschränkt Daten sammeln und verarbeiten dürfen, wenn die betroffene Person die Möglichkeit bekommt, dies nachträglich anzufechten. Das setzt voraus, dass die Verarbeitung fair und transparent erhoben wird. Als Basis wird im Erwägungsgrund Nummer 71, ähnlich wie die Regelung im Bundesdatenschutzgesetz, ein mathematisch oder statistisches Verfahren anerkannt.¹⁵

Fasst man die rechtlichen Rahmenbedingungen vom Bundesdatenschutzgesetz und der europäischen Datenschutz-Grundverordnung zusammen, lässt sich kein eindeutiger Umgang mit Social Scoring ableiten. Bei der Einführung der Grundverordnung wurde es durch die Gesetzgeber versäumt, Unklarheiten zu beseitigen. So bleibt insbesondere die Fragestellung offen, welche Daten geeignet sind, um die Bonität zu beurteilen. Social Scoring ist zwar in Deutschland möglicherweise unzulässig, die rechtlichen Konsequenzen sind aber aufgrund der komplexen Kontrollmöglichkeiten durch die Aufsichtsbehörde überschaubar. Unternehmen mit einer erhöhten Risikoaffinität können diese Lücke nutzen.¹⁶

Im außereuropäischen Ausland lässt die rechtliche Situation meist mehr Spielraum zu. Beispielsweise ist der Datenschutz in den USA historisch betrachtet deutlich schwächer ausgeprägt als in Deutschland. So enthält Scoring bei privaten, amerikanischen Auskunfteien bereits Informationen aus Gerichtsurteilen, Einkommensdaten oder ausführliche Kredit-Performance-Profile. Auch in Australien hat der Datenschutz in den letzten Jahrzehnten abgenommen. So wurde im Jahr 2014 ein Gesetz gelockert, das es gestattete, nur negative Informationen für das Scoring zu verwenden. Verglichen mit den USA werden Verbraucher in Australien aber noch verhältnismäßig stark geschützt.¹⁷ Die chinesische Regierung wird im Jahr 2020 das „Social Credit System“ einführen. Dieses erlaubt, Daten aus diversen Quellen in einen Scorewert zu kanalisieren.¹⁸ Im Verhältnis zum deutschen Recht bestehen im Ausland damit weitreichendere Möglichkeiten zur Einbeziehung von sozialen Daten in das Scoring. Es ist denkbar, dass das der Hauptgrund ist, weshalb Unternehmen wie Kreditech bisher nur außerhalb Deutschlands tätig sind.¹⁹

[...]

¹ Vgl. Tiberius/Rasche (2016), S. 1.

² Vgl. Radetzki (2018), S. 58.

³ Vgl. Rieger (2012), S. 1.

⁴ Vgl. Lee (2017), S. 1.

⁵ Vgl. Hartmann-Wendels/Pfingsten/Weber (2015), S. 431.

⁶ Vgl. Gleißner/Füser (2014), S. 22 – 29.

⁷ Vgl. Hartmann-Wendels/Pfingsten/Weber (2015), S. 432 – 438.

⁸ Vgl. Dorschel (2015), S. 6 – 8.

⁹ Vgl. van Geenen/Dorschel/Dorschel (2015), S. 143.

¹⁰ Vgl. Wei/Yildirim/Van den Bulte/Dellarocas (2015), S. 30 – 34.

¹¹ Vgl. Zhang/Jia/Diao/Hai/Li (2016), S.169.

¹² Vgl. Radetzki (2018), S. 58.

¹³ Vgl. Thießen (2017), S. 16.

¹⁴ Vgl. Eschholz (2017), S. 182 – 185; §§ 31 und 35 BDSG.

¹⁵ Vgl. Jost (2016), S. 15; Artikel 22 DS-GVO.

¹⁶ Vgl. Eschholz (2017), S. 185.

¹⁷ Vgl. Schröder/Taeger (2014), S. 67 – 79.

¹⁸ Vgl. Eschholz (2017), S. 182.

¹⁹ Vgl. Kreditech Holding SSL GmbH (2018), S. 4.