Markt Magazin

iStock.com/audioundwerbung

Chance für Banken: Wenn der Algorithmus über Kredite entscheidet

Im Zuge der Corona-Krise leiden zahllose (Klein-)Unternehmen unter Liquiditätsengpässen. In ihrer verzweifelten Suche nach kurzfristigen Überbrückungskrediten wandten und wenden sich viele von ihnen an ihre Hausbanken oder die KfW. Alleine bei der staatlichen Förderbank gingen im Rahmen des Corona-Hilfsprogramms bis Mitte Januar 2021 über 115.000 Kreditanfragen ein.

Die Banken stehen angesichts dieser massiven Nachfrage vor immensen Problemen. Denn wer soll diese Fülle an Kreditanträgen valide bearbeiten? Das bestehende, analoge Scoring-Verfahren lässt sich schlicht nicht skalieren. Die Sachbearbeiter in den Bankhäusern können pro Person vielleicht zehn bis 20 Anträge täglich seriös bearbeiten.

Die Folgen: Im Fall der KfW warten die Antragsteller laut einer Studie der Unternehmensberatung Falkensteg durchschnittlich einen Monat auf eine Antwort. Diese ist dann in vielen Fällen negativ. Zugleich fällt es Unternehmen auch immer schwerer, reguläre Bank-Kredite zu erhalten; die KfW-ifo-Kredithürde belegt, dass das Interesse an Bankfinanzierungen im vierten Quartal des letzten Jahres nahezu eingebrochen ist.

Entscheidungsfindung beschleunigen
Warum der Ausflug in die Welt der Corona-Hilfskredite? Viele Banken suchen momentan, unabhängig von der derzeitigen Ausnahmesituation, nach Wegen, die Entscheidungsfindung im Kreditgeschäft zu beschleunigen. Partnerschaften mit FinTechs erhalten so eine neue Relevanz.

Zwar sind Kooperationen zwischen Banken und FinTechs gewiss nichts Neues. Immerhin zeigte eine PwC-Studie bereits vor knapp zwei Jahren 36 finanzielle Beteiligungen hiesiger Banken an FinTechs auf. Doch die weitere und schnellere Aufteilung der Wertschöpfungsketten im Kreditgeschäft seitens der Banken führt dazu, dass die Institute inzwischen auch sensible Assets wie die Risikoprüfung in der Kreditentscheidung an junge Digitalunternehmen ausgliedern. Angesichts des Flaschenhalses, den die Kreditprüfung darstellt, war dies keine Sekunde zu früh.

Und noch wichtiger: Die derzeitige Nachfrage nach Krediten ist keine bloße Bedarfsspitze, die es jetzt zu überstehen gilt. Neue Wellen des Virus und die damit verbundenen Konsequenzen wie neue Lockdowns hängen wie ein Damoklesschwert über der Wirtschaft. Eine Rezession klopft bereits an unsere Türen. Der Nachfrage nach Krediten seitens kleiner und mittelständischer Unternehmen wird also hoch bleiben.

Machine-Learning-Algorithmen für die Bonitätsprüfung
Der einzige Weg, gleichermaßen die Kreditvergabe in der erforderlichen Zuverlässigkeit mit dem gebotenen Tempo zu vereinen, ist, die gesamte Risikoprüfung zu digitalisieren und so weit wie eben möglich zu automatisieren. Denn bestehende Machine-Learning-Algorithmen in der Risikoprüfung lassen sich – im Gegensatz zu analogen Scoring-Verfahren – schnell skalieren.

Je nach Serverkapazität kann ein Algorithmus täglich 10.000 bis 100.000 Anträge bearbeiten. Nur zum Vergleich, damit klar wird, wie viel Zeit sich so einsparen lässt: Selbst Factoring-Anbieter brauchen ab Antragstellung mindestens drei bis vier Wochen bis zur ersten Auszahlung.

Doch noch wichtiger als die bloße Geschwindigkeit der automatisierten Risikoprüfung ist deren Zuverlässigkeit. Auf Basis welcher Informationen urteilt die Software über einen Kreditantrag? Für das Scoring berücksichtigen die Algorithmen unterschiedliche Kategorien: finanzielle Daten, Verhaltensdaten, Transaktionsdaten, Daten von Auskunfteien wie Creditreform oder Schufa und mikrogeographische Daten. Sie aggregieren diese Daten über verschiedene Quellen.

Einige erhalten über die Bank selbst per Schnittstelle zu deren Systemen Zugriff, und damit auch auf transaktionsbasierte Daten wie Bankkonto-Bewegungen oder Accounting-Daten. Wieder andere sammeln sie aus Drittquellen wie Auskunfteien. Weitere Daten geben die Antragsteller selbst ein, indem sie den Kreditantrag ausfüllen und einreichen. Insgesamt 18 verschiedene Quellen bezieht der hier als Beispiel fungierende Algorithmus Copernicus in Echtzeit in die Bonitätsprüfung ein.

Der Algorithmus clustert diesen Input dann in aussagekräftige Variablen. Das heißt, er sortiert die erhaltenen Daten in Benchmarks, anhand derer er dann die Bonität des Antragstellers beurteilen und Hypothesen zu dessen Risiko aufstellen kann. Die größte Relevanz besitzen in diesem Prozess die finanziellen Daten.

Risikoprüfung ohne Risiko
Mit jedem Antrag, den ein Algorithmus überprüft, lernt er dazu und kann so künftig abschätzen, ob seine Entscheidung korrekt war oder welchen Faktor er zukünftig stärker gewichten muss. Rückwärts gerichtete, traditionelle wie statische Risikoprüfungen bergen die Gefahr, in Zeiten des radikalen globalen Umbruchs nicht mehr wie gehabt zu funktionieren. Denn wie valide arbeiten herkömmliche analoge Scoring-Methoden in einer zukünftigen Welt, in der Homeoffice und Impfen, Abstandswahrung und Hygiene unser Verhalten lenken?

Machine-Learning-Algorithmen bleiben aufgrund ihrer Anpassungsfähigkeit jedoch flexibel und optimieren sich stetig selbst. Blitzschnell passen sie sich an neue Gegebenheiten an und erlangen fortlaufend neue Erkenntnisse über valide Parameter zur Kreditwürdigkeit von Unternehmen. So erreichten ML-Algorithmen auch während der Corona-Krise einen Gini-Koeffizienten von 70.

DIY oder FinTech-Partnerschaft?
Wollen Banken ihre Kreditentscheidungen beschleunigen, digitalisieren und automatisieren, stehen sie alsbald vor einer wichtigen Frage: „Make or Buy”? Also digitale Lösungen inhouse, im eigenen Unternehmen, entwickeln oder aber extern akquirieren – etwa durch den gezielten Zukauf von FinTechs oder durch Partnerschaften.

Und hier kommen die Kooperationen von Banken und FinTechs wieder ins Spiel. Ein valider, präziser und fortschrittlicher Scoring-Algorithmus kostet Zeit und Geld. Schnell fällt für Banken hier ein hoher siebenstelliger Betrag an. Dieser fließt zum einen in die technische Entwicklung der Software; zum anderen muss der ML-Algorithmus selber lernen. Das Programm ist nur so gut, wie der Erfahrungsschatz, auf den es zurückgreifen konnte – also die Entscheidungen, die es selber treffen durfte. Und das bedeutet, die Software muss Fehler machen, sprich Geld verbrennen. Nur dann kann sie die richtigen Schlüsse ziehen und die Entscheidungsfindung präzisieren. Je mehr Prognosen der Algorithmus treffen konnte, desto präziser arbeitet er.

Natürlich verfügen große Banken über das notwendige Kapital, um diese Entwicklung anzustoßen und zu beeinflussen. Das gilt allerdings weniger für den Faktor Zeit. Selbst große Häuser mit einem entsprechenden Volumen an Kreditanträgen brauchen knapp anderthalb Jahre, um die notwendige Masse an Fällen und Daten zu aggregieren, sodass der Algorithmus präzise arbeiten kann; kleinere Banken brauchen schnell drei bis vier Jahre.

Hier geht es also um Zeit, die Banken momentan nicht haben. Schließlich müssen sie jetzt gerade einer enormen Anfrage nach Krediten gerecht werden. Bei der Suche nach neuen Technologien, um die Wertschöpfungskette für die Kreditvergabe zu digitalisieren, scheint „Buy” auf einmal die bessere Option.

Algorithmen helfen Banken, neue Zielgruppen zu erschließen
Machine-Learning-Algorithmen zur Risikoüberprüfung bestehen bereits am Markt. Die Entwicklungsschritte, die Banken jetzt anstoßen müssten, um in einigen Jahren die Bonitätsprüfung automatisieren zu können, haben diese technischen Lösungen bereits durchlaufen. Verfügbar sind sie in vielen Fällen als White-Label-Lösung. Was sich hinter dem Anglizismus verbirgt: Banken können die Technologie eines Drittanbieters einfach in das eigene Backend, das eigene Angebot integrieren. Und das unter neutraler Flagge im unternehmenseigenen Branding.

Der Kunde füllt für den Kreditantrag die Eingabemaske auf der Website seiner Bank aus. Diese Informationen gelangen dann per API, also per Schnittstelle, an den Algorithmus. Jener arbeitet, für die Kunden unsichtbar, im Hintergrund. Auf Basis der Informationen der Antragsteller, der Bank und von Drittquellen erstellt der Algorithmus dann eine Prognose zur Kreditwürdigkeit der potenziellen Kreditnehmer und spielt den Ball an die Bank zurück. Der Aufwand für diesen technischen Prozess ist gering. Die Bank braucht lediglich Techniker, die die Schnittstelle zum Algorithmus anlegen und freischalten.

Der Algorithmus lässt sich – je nach Präferenz der Bank – auch individualisieren. Das heißt, er passt die Risikofreudigkeit in der Annahme oder Absage von Krediten den Wünschen der Bank an. So kann er auch Kunden mit schlechterer Bonität einen Kredit gewähren, wenn die Bank dieses Risiko tragen möchte – oder er hängt die Latte für einen Kredit entsprechend hoch.

Und für die Zeit nach Corona gilt: Mithilfe der digitalisierten Bonitätsprüfung erschließen Banken gänzlich neue Zielgruppen. Lange Jahre mieden viele das Geschäft mit kurzfristigen, kleinen Überbrückungskrediten für Liquiditätsengpässe von Klein(st-)unternehmen. Die Bonitätsprüfung war aufwendig, die Präzision niedrig, das Ausfallrisiko hoch, die potenziellen Einnahmen nicht sonderlich lukrativ. Kurzum: Viel Aufwand, wenig Ertrag.

 

Autoren



Jan Enno Einfeld ist CEO von Finiata.

 

Ingmar Stupp ist Cofounder und CPO desselben Unternehmens.

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge