Bonitätsscore und Credit Scoring: Definition, Methoden und Herausforderungen

Kurz gesagt: Ein Bonitätsscore ist ein Wert, der das Risiko eines Kreditnehmers zusammenfasst, also seine Wahrscheinlichkeit, einen Kredit zurückzuzahlen. Credit Scoring bezeichnet die Methode, die diesen Wert aus finanziellen und verhaltensbezogenen Daten berechnet. In Deutschland gibt es, anders als bei einem rein deklarativen System, ein dominantes Auskunfteiwesen: Auskunfteien wie die SCHUFA, Creditreform oder Boniversum berechnen Bonitätsscores, auf die sich Kreditgeber stützen. Zunehmend ergänzen sie diese Auskünfte durch echte Bankdaten aus dem Open Banking. Diese Entwicklung dient direkt der verantwortungsvollen Kreditvergabe, die die neue Verbraucherkreditrichtlinie (CCD2 / 2023/2225) verlangt. Zwei Prinzipien werden dabei entscheidend: die Erklärbarkeit der Entscheidung und ihre Prüfbarkeit.

‍

Was ist ein Bonitätsscore?

‍

Ein Bonitätsscore ist ein numerischer Wert, der das Risikoniveau eines Kreditnehmers zum Zeitpunkt einer Finanzierungsanfrage abbildet. Je günstiger der Score, desto höher wird die Wahrscheinlichkeit eingeschätzt, dass der Kredit zu den vereinbarten Bedingungen zurückgezahlt wird. Umgekehrt signalisiert ein verschlechterter Score ein höheres Ausfallrisiko.

‍

Dieser Score ist keine subjektive Meinung. Er ist das Ergebnis einer statistischen Berechnung, die das Profil eines Antragstellers mit dem beobachteten Rückzahlungsverhalten aus einer großen Zahl von Fällen vergleicht. Das Ziel ist zweifach: dem Kreditgeber die Entscheidung erleichtern (Zusage, Ablehnung, angepasste Konditionen) und die Bearbeitung der Anfragen vereinheitlichen, um Willkür zu vermeiden.

‍

Der Bonitätsscore einer Privatperson ist von der Bewertung eines Unternehmens zu unterscheiden. Der Score eines Verbrauchers misst seine Fähigkeit und Bereitschaft, einen Konsumkredit, eine Immobilienfinanzierung oder einen Ratenkauf zurückzuzahlen. Die Bewertung eines Unternehmens folgt einer anderen Logik. Dieser Artikel behandelt das Credit Scoring bei der Geschäftsanbahnung und der Kreditvergabe an Privatpersonen und Gewerbetreibende.

‍

Credit Scoring: so funktioniert es

‍

Credit Scoring ist die Methode, die Daten in einen Risikowert umwandelt. Das allgemeine Prinzip läuft in mehreren Schritten ab.

‍

Zunächst werden relevante Variablen erfasst: Einkommen, Ausgaben, Dauer der Beschäftigung, Zahlungshistorie, Verschuldungsgrad, Regelmäßigkeit der Finanzflüsse. Anschließend gewichtet ein Modell jede Variable. Historisch waren diese Modelle einfache und transparente statistische Regressionen. Heute erlauben Ansätze des maschinellen Lernens (Machine Learning), feinere Zusammenhänge zwischen den Variablen zu erkennen.

‍

Das Modell erzeugt dann einen Score, der oft in eine Ausfallwahrscheinlichkeit umgerechnet wird. Der Kreditgeber legt einen Schwellenwert fest: darüber kann die Anfrage angenommen werden, darunter wird sie abgelehnt oder in eine ergänzende Prüfung überführt. Dieser Schwellenwert spiegelt die Risikobereitschaft des Instituts und seinen regulatorischen Rahmen wider.

‍

Ein gutes Scoring-System beschränkt sich nicht darauf, eine Zahl auszugeben. Es muss die Faktoren benennen, die auf die Entscheidung eingewirkt haben, über die Zeit stabil bleiben und neu kalibriert werden können, wenn sich das Verhalten ändert. Genau hier wird die Qualität der Eingangsdaten entscheidend.

‍

Welche Daten: deklarative Angaben vs. Open Banking

‍

In Deutschland stützen sich Kreditgeber traditionell auf zwei Quellen. Zum einen auf die Auskünfte der Auskunfteien wie der SCHUFA: Diese sammeln Informationen über die Kredit- und Zahlungshistorie und berechnen daraus einen Bonitätsscore. Zum anderen auf deklarative Angaben, also die vom Antragsteller übermittelten Informationen (angegebenes Einkommen, Ausgaben, berufliche Situation), ergänzt durch Nachweise wie Gehaltsabrechnungen oder Steuerbescheide. Der rein deklarative Teil hat zwei Grenzen. Er beruht auf Dokumenten, die veraltet oder gefälscht sein können, und liefert eine punktuelle Momentaufnahme statt einer dynamischen Sicht auf die finanzielle Lage.

‍

Open Banking verändert die Lage. Geregelt durch die europäische Zahlungsdiensterichtlinie (PSD2), erlaubt es mit der ausdrücklichen Einwilligung der Person einen lesenden Zugriff auf die Daten ihres Bankkontos über sichere Schnittstellen. Der Kreditgeber beobachtet dann die tatsächlichen Flüsse: real erhaltenes Einkommen, Regelmäßigkeit der Geldeingänge, wiederkehrende Ausgaben, mögliche Vorfälle, Sparfähigkeit. Diese Bankverifizierung per Open Banking liefert so ein getreues und aktuelles Bild, das deutlich schwerer zu manipulieren ist als ein eingescanntes Dokument.

‍

Dieser Wechsel hin zu echten Daten stärkt die Aussagekraft der Bonitätsanalyse. Er senkt zugleich das Risiko von Dokumentenbetrug, da die Information direkt aus der Bankquelle stammt. Eine gute Praxis besteht darin, die Daten an der Quelle zu erheben, also die Information bei einem vertrauenswürdigen Dritten abzurufen, statt sich allein auf Angaben zu verlassen. Die deklarativen Angaben verschwinden deshalb nicht: Sie bleiben nützlich, um eine Situation einzuordnen, werden aber nun mit den Bankdaten abgeglichen, um den Score zuverlässiger zu machen.

‍

Bonitätsscore und verantwortungsvolle Kreditvergabe (CCD2)

‍

Credit Scoring ist nicht nur ein kommerzielles Instrument. Es fügt sich in einen zunehmend anspruchsvollen regulatorischen Rahmen ein. Die Richtlinie (EU) 2023/2225 über Verbraucherkreditverträge, bekannt als CCD2, ersetzt die vorherige Richtlinie von 2008. Sie verstärkt die Pflicht zur Kreditwürdigkeitsprüfung vor jeder Kreditvergabe und gilt auch in Deutschland.

‍

Konkret muss der Kreditgeber prüfen, ob der Kreditnehmer den Kredit in vernünftiger Weise zurückzahlen kann, ohne in eine Überschuldung zu geraten. Diese Prüfung muss sich auf relevante, korrekte und ausreichende Informationen über Einnahmen und Ausgaben stützen. Der Text erfasst auch neue Produkte wie Ratenkäufe (BNPL), die nun diesen Anforderungen unterliegen.

‍

In diesem Zusammenhang wird ein Bonitätsscore, der auf echten Bankdaten beruht, zu einem Vorteil für die Compliance. Er belegt, dass die Vergabeentscheidung auf einer ernsthaften Analyse der Rückzahlungsfähigkeit beruht und nicht auf einer bloßen, ungeprüften Angabe. Die CCD2 betont außerdem die Information des Verbrauchers und sein Recht, Erklärungen zu erhalten, wenn eine Anfrage auf Grundlage einer automatisierten Verarbeitung abgelehnt wird. Das Scoring muss also so gestaltet sein, dass es erklärt werden kann, und nicht nur, um zu entscheiden.

‍

Grenzen und Erklärbarkeit (KI, Verzerrungen, DSGVO)

‍

Ein Bonitätsscore bleibt eine probabilistische Schätzung, niemals eine Gewissheit. Drei Punkte erfordern besondere Aufmerksamkeit.

‍

Der erste betrifft die Qualität und Repräsentativität der Daten. Ein Modell, das auf verzerrten Daten trainiert wurde, kann Diskriminierungen reproduzieren oder sogar verstärken. Verantwortungsvolles Scoring verlangt daher eine regelmäßige Kontrolle der verwendeten Variablen, den Ausschluss verbotener Kriterien und eine Überwachung von Ungleichbehandlungen zwischen Bevölkerungsgruppen.

‍

Der zweite betrifft die Erklärbarkeit. Die leistungsstärksten Modelle der künstlichen Intelligenz können undurchsichtig werden, bis zu dem Punkt, an dem selbst ihre Entwickler eine einzelne Entscheidung kaum begründen können. Die DSGVO regelt jedoch vollständig automatisierte Entscheidungen mit erheblichen rechtlichen Auswirkungen, wie eine Kreditablehnung. Ihr Artikel 22 gibt der betroffenen Person das Recht, ein Eingreifen einer Person zu erwirken, ihren Standpunkt darzulegen und die Entscheidung anzufechten. Eine erklärbare KI, die die ausschlaggebenden Faktoren eines Scores wiedergeben kann, ist daher kein Luxus: Sie ist eine Voraussetzung für Compliance und Vertrauen. Die Einhaltung überwachen in Deutschland die zuständigen Datenschutzbehörden.

‍

Der dritte betrifft die Prüfbarkeit. Jede Entscheidung muss sich im Nachhinein rekonstruieren lassen: welche Daten verwendet wurden, welches Modell, welcher Schwellenwert, welches Ergebnis. Diese Prüfspur schützt sowohl den Verbraucher, der Einspruch erheben kann, als auch das Institut, das die Konformität seiner Praxis gegenüber der Aufsicht nachweisen muss.

‍

Genau das ist der Ansatz von Meelo. Die Plattform berechnet keinen weiteren Auskunfteiscore, sondern führt eine erklärbare Bonitätsanalyse auf echten Daten aus dem Open Banking durch, mit einer Entscheidung in 2 bis 5 Sekunden, dokumentiert und prüfbar. Jede Bewertung geht mit den Faktoren einher, die sie begründet haben. So kann der Kreditgeber seine Entscheidung rechtfertigen und seine Pflichten zur verantwortungsvollen Kreditvergabe erfüllen.

‍

Fazit

‍

Der Bonitätsscore fasst das Risiko eines Kreditnehmers zusammen, und Credit Scoring bezeichnet die Methode, die ihn erzeugt. In Deutschland stützt sich die Bewertung auf die Auskünfte der Auskunfteien wie der SCHUFA, zunehmend ergänzt durch echte Bankdaten, die das Open Banking zugänglich macht. Diese Entwicklung verbessert die Genauigkeit, senkt den Dokumentenbetrug und richtet sich an den Anforderungen der verantwortungsvollen Kreditvergabe der Richtlinie CCD2 aus. Doch Leistung allein genügt nicht: Ein Bonitätsscore muss erklärbar, nicht diskriminierend und prüfbar sein, um konform und vertrauenswürdig zu sein. Nur unter dieser Bedingung wird Scoring zu einem echten Werkzeug für verantwortungsvolle Entscheidungen, im Dienst des Kreditgebers wie des Kreditnehmers.

‍

FAQ

‍

Gibt es in Deutschland einen Bonitätsscore?

‍

Ja. Anders als in einem rein deklarativen System gibt es in Deutschland ein dominantes Auskunfteiwesen. Auskunfteien wie die SCHUFA, Creditreform oder Boniversum sammeln Informationen zur Kredit- und Zahlungshistorie und berechnen daraus Bonitätsscores, auf die sich Kreditgeber stützen. Ein Verbraucher kann eine Selbstauskunft anfordern. Zunehmend ergänzen Kreditgeber diese Auskünfte durch echte Bankdaten aus dem Open Banking, die mit Einwilligung der Person erhoben werden, um die Rückzahlungsfähigkeit besser einzuschätzen.

‍

Wie wird ein Bonitätsscore berechnet?

‍

Ein Bonitätsscore wird aus finanziellen und verhaltensbezogenen Variablen berechnet: Einkommen, Ausgaben, Verschuldungsgrad, Regelmäßigkeit der Flüsse, Zahlungshistorie. Ein statistisches Modell oder ein Modell des maschinellen Lernens gewichtet jede Variable und erzeugt einen Wert, der oft in eine Ausfallwahrscheinlichkeit umgerechnet wird. Der Kreditgeber vergleicht dieses Ergebnis dann mit einem Entscheidungsschwellenwert, der seine Risikobereitschaft und seinen regulatorischen Rahmen widerspiegelt.

‍

Was fügt Open Banking dem Credit Scoring hinzu?

‍

Open Banking ermöglicht mit Einwilligung der Person den Zugriff auf ihre echten Bankdaten über sichere, durch die PSD2 geregelte Schnittstellen. Der Score beruht dann nicht mehr nur auf einer Auskunftei oder auf angegebenen Dokumenten, sondern auf den tatsächlich beobachteten Flüssen: erhaltenes Einkommen, wiederkehrende Ausgaben, Sparfähigkeit, mögliche Vorfälle. Der Mehrwert ist zweifach: ein getreueres und aktuelleres Bild der Bonität und eine starke Verringerung des Risikos von Dokumentenbetrug.

‍

Muss ein Bonitätsscore erklärbar sein?

‍

Ja. Die DSGVO regelt vollständig automatisierte Entscheidungen mit erheblichen Auswirkungen, wie eine Kreditablehnung, und sieht ein Recht auf menschliches Eingreifen und auf Anfechtung vor. Die Richtlinie CCD2 verstärkt die Information des Verbrauchers bei einer Ablehnung auf Grundlage einer automatisierten Verarbeitung. Ein Bonitätsscore muss daher auf einer erklärbaren KI beruhen, die die ausschlaggebenden Faktoren wiedergeben kann, und mit einer Prüfspur einhergehen, die jede Entscheidung rekonstruierbar macht.

‍

Quellen:

‍

• SCHUFA sowie weitere Auskunfteien (Creditreform, Boniversum), Berechnung von Bonitätsscores und Anspruch auf Selbstauskunft.
• Richtlinie (EU) 2023/2225 vom 18. Oktober 2023 über Verbraucherkreditverträge (CCD2), Pflicht zur Kreditwürdigkeitsprüfung.
• Richtlinie (EU) 2015/2366 über Zahlungsdienste (PSD2), Rahmen für Open Banking und den Zugriff auf Kontodaten.
• Verordnung (EU) 2016/679 (DSGVO), insbesondere Artikel 22 zu automatisierten Entscheidungen und dem Recht auf Erklärung; Aufsicht durch die zuständigen Datenschutzbehörden.