Wie Transaktionsdaten auf Ebene der Transaktion Kreditgebern helfen, mehr zu sehen und weniger Risiken einzugehen

KI im Kreditwesen wird oft falsch dargestellt als eine silberne Kugel, die entweder bestehende Kreditvergabeprozesse beschleunigt oder als eine schwarze Box-Funktion, die in Wirklichkeit niemals die Compliance-Checks bestehen würde. Diese Darstellungen könnten nicht weiter von der Wahrheit entfernt sein, was die Zukunft der Kreditrisikobewertung an der Spitze der Branche formt.

Die KI, die tatsächlich die Zukunft der Kreditvergabe und des Kreditwesens verändert, resultiert aus einer leistungsstarken Kombination aus deterministischem Code, Machine Learning und Transaktionsdaten auf Ebene der Transaktion. Diese Unterscheidung ist aus praktischer und rechtlicher Sicht wichtig; sie bedeutet ein System, in dem jede Entscheidung erklärt werden kann und in dem der Kreditzugang verantwortungsvoll erweitert wird, anstatt bestehende Vorurteile zu wiederholen.

Es geht um Technologie, die sowohl einem kreditwürdigen Kreditnehmer hilft, dem Ablehnungsstapel zu entkommen, als auch das Risiko zugunsten von mehr Chancen für Finanzinstitute reduziert. Hier ist der Grund, warum dieser Weg voranzutreiben ist und wie man das tut.

Eine Überholung ist dringend erforderlich

Traditionelle Kreditvergabemodelle basieren auf einer relativ einfachen Grundlage: Die Geschichte eines Kreditnehmers, einschließlich seines vergangenen Verhaltens, das in Büroscores und -aussagen erfasst ist, ist ein ausreichend zuverlässiges Maß für seine Kreditwürdigkeit. Im Laufe des letzten Jahrhunderts war dieser Ansatz, der durch verzögerte Indikatoren definiert ist, ausreichend, hauptsächlich weil die Daten nicht leicht verfügbar waren.

Das hat sich nun geändert. Traditionelle Kreditvergabemodellen und Kreditscoring-Modelle sind rückblickend, sie stützen sich stark auf einen einzigen Moment, der nicht unbedingt das vollständige Bild der finanziellen Gesundheit eines potenziellen Kreditnehmers abbildet. Es ist nun mehr als zwei Jahrzehnte her, seit die digitale Datenverwaltung die analoge überholt hat, wo sofort zugängliche Informationen seit Langem die Norm sind. Eine Kreditakte, die Monate braucht, um den Schreibtisch eines Kreditgebers zu erreichen, ist ein Zeichen dafür, dass das aktuelle Modell eine veraltete Art der Informationsverarbeitung ist.

Und, entscheidend, erhöht diese veraltete, oft ungenaue Dateninfrastruktur nur die Bedrohung des unsichtbaren Kreditnehmers, den die Finanzbranche nicht ignorieren darf. Die Märkte haben sich in den letzten fünf Jahrzehnten dramatisch verändert. Jetzt machen junge Unternehmen einen großen Teil des privaten Sektors in den USA und den größten Teil in Europa aus. Sie werden zunehmend als Rückgrat der zukünftigen Wirtschaft gesehen, aber Infrastrukturversagen bei der Kreditbewertung lässt sie außer Acht.

Und Menschen auf individueller Ebene erleben auch die Folgen. In Großbritannien fand eine Studie heraus, dass Banken möglicherweise 80% der Kreditantragsteller mit dünnen Kreditprofilen ablehnen, die tatsächlich ein geringes Risiko darstellen. Das sind 4 Milliarden Pfund (3 Milliarden Pfund) an verlorenem Kreditgeschäft mit geringem Risiko. Experten weisen auf traditionelle Bürodaten als Hauptursache hin.

Genau das adressiert die Transaktionsdatenanalyse auf Ebene der Transaktion. Anstatt auf verzögerte Indikatoren aus historischen Aufzeichnungen zu vertrauen, die möglicherweise Monate alt sind, analysieren diese Systeme die Gegenwart. Kreditgeber und Kreditnehmer erhalten tatsächliche Einblicke in das Verhalten und die finanzielle Gesundheit eines potenziellen Kreditnehmers, und zwar nicht Wochen oder Monate zurückliegend, sondern jetzt. Wie? Durch Transaktionsdatenanalyse auf Ebene der Transaktion, die Erkenntnisse wie Bargeldströme, Zahlungsmuster, Ausgabenmuster und Einkommen direkt aus dem Bankkonto extrahiert.

Dadurch erhalten Kreditgeber einen kontinuierlichen Strom von zuverlässigen und relevanten Daten, um das finanzielle Verhalten und die Gesundheit eines Kreditnehmers vollständig zu bewerten. Und es gibt signifikante Ergebnisse, die mit diesem Ansatz verbunden sind. Die Genehmigungsrate der Kreditgeber steigt um 10 bis 35%, ohne zusätzliches Risiko einzugehen. Sie beschleunigen auch die Kreditentscheidungen um bis zu fünf Mal und reduzieren die Verluste im Portfolio um 15-40%.

Es ist erwähnenswert, dass dies nicht bedeutet, dass Kreditgeber plötzlich ein hohes Risiko eingehen. Mehr Kreditnehmer bedeuten nicht unbedingt mehr Risiko. Was passiert, ist, dass mehr Kreditnehmer sichtbar werden – KMU und Einzelpersonen – im Einklang mit einer Methode, die von A bis Z erklärt werden kann.

Natürlich kann KI nicht die menschliche Urteilsfähigkeit ersetzen, noch sollte sie das. Kreditanalysten und Kreditgeber sind immer noch im Prozess erforderlich. Die Rolle der KI sollte darin bestehen, das Vertrauen, die Kapazität, die Erklärbarkeit und die Genauigkeit zu erweitern, ohne die Verantwortung und die menschliche Eingabe zu opfern. Schließlich ist das Finanzwesen ein sehr sensibles Gebiet in Bezug auf das Vertrauen der Verbraucher: Menschen möchten wissen, dass ein Mensch involviert ist.

Was die Transaktionsdatenanalyse auf Ebene der Transaktion zutage fördert

Das Verständnis dessen, was KI analysiert, ist ebenso wichtig wie der Grund, warum es sich lohnt, sie in den Kreditvergabeprozess einzubeziehen.

Ein Büroscore sagt einem Kreditgeber, dass eine Person oder ein Unternehmen in der Vergangenheit ihre Schulden bezahlt hat. Aber das ermöglicht es Kreditgebern und Kreditnehmern nicht, zwischen den Zeilen zu lesen und auf individueller Basis zu entscheiden. Da es letztendlich nur ein Snapshot ist, lässt die alleinige Abhängigkeit von Indikatoren wie Büroscores Analysten blind für umfassendere Muster, die die vollständige Geschichte eines Kreditnehmers erzählen.

Nehmen wir den Fall von saisonalen Umsatzmustern. Für viele KMU ist der Umsatz kein flacher Verlauf, sondern ein Verlauf mit Spitzen und Tälern, der in Zyklen wiederkehrt. Diese sind in verschiedenen Branchen völlig normal, aber sie lösen Alarmglocken aus, wenn sie aus dem Kontext gerissen werden – wie es oft in einem Dokument der Fall ist, das den Moment, aber nichts darüber hinaus, abbildet.

Transaktionsdaten, die direkt aus dem Bankkonto stammen, bieten eine Perspektive auf die Gesamtresilienz eines Unternehmens: Wie es Umsatz wiedererlangt und die Lücken zwischen Spitzen und Tälern managt. Sie bieten viel mehr Einblick in die Resilienz eines Unternehmens und ermöglichen es, proaktiv zu handeln, anstatt nur rückblickend auf die finanziellen Aussichten eines Kreditnehmers zu schauen. Traditionelle Daten unterscheiden nicht unbedingt zwischen einem Unternehmen, das einen langsamen Quartal verantwortungsvoll und kompetent meistert, und einem, das stetig Geld verliert, ohne dass ein Ende in Sicht ist. Transaktionsdaten auf Ebene der Transaktion tun das.

Sie können auch die Verbindungen um Lieferantenkonzentration herstellen, die ansonsten erst viel später in einem traditionellen Kreditvergabemodell erkannt werden. Unternehmen mit einer engen Lieferanten- oder Kundenbasis haben ein völlig anderes Risikoprofil als solche mit einer breiteren Basis. Eine Kreditakte erfasst diese Verwundbarkeiten nicht vollständig, was eine Entscheidung eines Kreditgebers beeinflussen kann.

Und Cash-Conversion-Zyklen, die Zeit, die Unternehmen benötigen, um Lagerbestände in Bargeld umzuwandeln, werden durch Transaktionsanalyse und nicht nur durch eine Bilanz aufgedeckt. Ein KMU mit einem viel bescheideneren Umsatz, aber gut gemanagtem, engerem Zyklus, könnte langfristig viel resilienter sein als ein größeres Gegenstück mit starkem ausgewiesenen Umsatz, aber langsamem Cash-Conversion-Zyklus.

Die gleiche Logik gilt für variable Einkommensmuster, die in einer aufstrebenden Gig-Economy und einem Anstieg von Freelancing und Start-ups immer häufiger werden. Es ist schwieriger für Kreditnehmer und Kreditantragsteller aus diesen Gruppen, eine Ablehnung zu vermeiden, wenn diese Einkommensvariabilität anfangs ein Warnsignal ist. Transaktionsanalyse identifiziert jedoch das zugrunde liegende Muster und umfassendere Trends um ihre Ausgabenverhaltensweisen, Zahlungshäufigkeit, Einnahmen gegen Ausgaben und allgemeine Finanzverhaltensweisen.

Genau hier ist die Echtzeit-Natur der digitalen Transaktionsanalyse entscheidend. Die Indikatoren, die erforderlich sind, um eine vollständige Risikobewertung und eine Bewertung der Rückzahlungsfähigkeit zu erhalten, sind nicht generell statisch. Ein einzelner Snapshot ist weniger genau, da er nicht kontinuierlich ist. Die Kombination eines Indikators, der zu Beginn übersehen wurde, und verzögertes Handeln ist der Ort, an dem die meisten Portfolioverluste und zusätzlichen Risiken gefunden werden.

Demokratisierung der Daten und Gewährleistung einer verantwortungsvollen KI-Nutzung

Wenn die Transaktionsdatenanalyse auf Ebene der Transaktion korrekt durchgeführt wird, erleichtert sie auch einen faireren und transparenteren Kreditvergabeprozess. Langjährig verwendete Parameter wie Bilanzen und Bürodaten zeigen die Geschichte eines Kreditnehmers mit dem formalen Kreditsystem auf. Dies funktioniert einigermaßen ausreichend für diejenigen, die eine längere Geschichte mit diesem System haben. Für diejenigen, die dies nicht tun, einschließlich Freelancern und jungen KMU, macht es sie unsichtbar.

Transaktionsdaten auf Ebene der Transaktion sind jedoch alles über Sichtbarkeit. Sie sehen, was traditionelle Metriken übersehen, weil sie sehen, wie Geld verwaltet und wie Verhaltensweisen von Moment zu Moment schwanken. Kreditgeber erhalten ein viel tieferes Verständnis für die Kreditwürdigkeit eines Kreditnehmers. Aufgrund dessen sind die Daten strukturell so konzipiert, dass sie demokratischer sind.

Eine wichtige Einschränkung: Nichts davon bedeutet, dass KI automatisch zu einem faireren System führt. Algorithmen werden auf historischen Daten und Kreditentscheidungen trainiert. Bestehende Vorurteile in den Daten, die zur Ausbildung von KI verwendet werden, machen sie anfällig für Vorurteile. Wenn bestimmte Gruppen in der Vergangenheit von Kreditentscheidungen ausgeschlossen waren, wird ein schlecht konzipiertes Modell nur diesen Vorurteil und dieser Diskriminierung dienen.

Leider gibt es dokumentierte Fälle von fortgesetzter Diskriminierung aufgrund von mangelnder Transparenz und mangelnder Überprüfung von KI-Systemen – eine kürzlich durchgeführte Studie fand heraus, dass Frauen konsequent niedrigere Kreditscores erhielten als Männer.

Designentscheidungen in Bezug auf Dateninfrastruktur und Workflow-Management in Verbindung mit KI bestimmen, ob Fairness eine Garantie wird. KI muss verantwortungsvoll implementiert werden, und das beinhaltet die Verankerung von Transparenz, Prüfbarkeit, Rechenschaftspflicht und Sicherheit auf jeder Ebene. Welche Daten verwendet werden und ihre Quellen und Ziele bestimmen, was die Transaktionsdatenanalyse auf Ebene der Transaktion sieht und welche Erkenntnisse sie generiert. Konsistente Standards für die Genauigkeit der Daten sind direkt mit der Zuverlässigkeit dieser Tools verbunden. Schließlich sind Nachvollziehbarkeit und Erklärbarkeit die Kanäle, die erforderlich sind, um zu erkennen, wo ein Modell falsch läuft oder verbessert werden muss und was es richtig macht.

Diese Eigenschaften sind nicht länger optional. Regulierungsbehörden fordern tatsächlich prüfbar, transparente Architekturen, die das Risiko von Vorurteilen und Diskriminierung ausschließen. Die EU-Richtlinie über Verbraucherkredite 2 (CCD2) legt beispielsweise explizite Standards für automatisierte Kreditentscheidungen fest, einschließlich des Rechts des Kreditnehmers auf Erklärung und menschliche Überprüfung. Tatsächlich hat diese Regelung gerade Revisionen erfahren, die sie später in diesem Jahr wesentlich strenger machen werden.

Während Geschwindigkeit ein wichtiger Faktor ist, ist sie nicht der alleinige definierende Faktor. Genauigkeit, Fairness, Transparenz und Sichtbarkeit sind ebenso wichtig für Finanzinstitute, die mit den sich entwickelnden Märkten und Vorschriften Schritt halten möchten. Transaktionsdatenanalyse auf Ebene der Transaktion, die in Architekturen aufgebaut ist, die Prüfbarkeit und Rechenschaftspflicht in ihrem Kern verankert haben, ermöglicht es ihnen, dies zu tun.