28 01 | 2021 Chance für
28 01 | 2021 Chance für Banken Wenn der Algorithmus über Kredite entscheidet Für Banken wird es immer schwieriger, über die tägliche Fülle von Kreditanträgen zu entscheiden. Abhilfe können hier Algorithmen schaffen, die die Mitarbeiter mit objektiven Vergabekriterien wesentlich unterstützen.
01 | 2021 29 Im Zuge der CoronaKrise 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 BankKredite zu erhalten; die KfWifoKredithürde belegt, dass das Interesse an Bankfinanzierungen im vierten Quartal des letzten Jahres nahezu eingebrochen ist. Entscheidungsfindung beschleunigen Warum der Ausflug in die Welt der CoronaHilfskredite? 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 PwCStudie 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 MachineLearningAlgorithmen in der Risikoprüfung lassen sich – im Gegensatz zu analogen ScoringVerfahren – 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 FactoringAnbieter 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 BankkontoBewegungen oder AccountingDaten. 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
