Leseprobe
Inhaltsverzeichnis
Abkürzungsverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Aufbau der Arbeit
2 Was ist Scoring – Definition und Darstellung
2.1 Definition des Begriffs „Scoring“
2.2 Bedeutung des Scorings im Rahmen der Kreditwürdigkeitsprüfung
2.3 Forschungsstand des Social Scorings in der Kreditwürdigkeitsanalyse
3 Rechtliche Rahmenbedingungen für Kreditscoring in ausgewählten Ländern
3.1 Regelung in Deutschland durch die DSGVO und das KWG
3.2 Regelung in China durch das NSL
4 Kreditwürdigkeitsanalysen im Vergleich
4.1 Kreditscoring in Deutschland
4.2 Sozialkreditsystem in China
4.3 China als Vorreiter für das Kreditscoring in Deutschland
5 Fazit
Rechtsverzeichnis
Literaturverzeichnis
Bibliografische Information der Deutschen Nationalbibliothek:
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.
Impressum:
Copyright © Science Factory 2019
Ein Imprint der GRIN Publishing GmbH, München
Druck und Bindung: Books on Demand GmbH, Norderstedt, Germany
Covergestaltung: GRIN Publishing GmbH
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Abbildungsverzeichnis
Abbildung 1: Die Ratingstufen des SCHUFA-Banken-Score im Überblick
Abbildung 2: Einflussfaktoren des Sozialkreditsystems
Abbildung 3: XXX
Tabellenverzeichnis
Tabelle 1: Kreditrisiken
Tabelle 2: SCHUFA-Score Tabelle
1 Einleitung
1.1 Problemstellung
Ungefähr jedem zehnten Erwachsenen in Deutschland ist es nicht möglich die laufenden Rechnungen dauerhaft zu bezahlen. So ist seit 2014 ein kontinuierlicher Anstieg der Überschuldungsquote in Deutschland zu verzeichnen. Diese lag zum Stichtag im Jahr 2018 bei ungefähr zehn Prozent, dies entspricht circa 7 Millionen Einwohnern.1 Im gleichen Zeitraum stieg die Anzahl an neuen Ratenkreditverträgen ebenfalls stetig an.2 Anhand dieser statistischen Auswertungen lässt sich schnell erkennen, dass im Rahmen von Kreditwürdigkeitsprüfungen und einer Minimierung des Ausfallrisikos ein Interesse an qualitativ hochwertigen Hilfsmitteln besteht.
In den letzten Jahren wurden innovative Unternehmen, wie zum Beispiel Kreditech, mit dem Ziel gegründet, die klassische Kreditwürdigkeitsprüfung zu verändern. Anders als bei den klassischen Auskunfteien werden hier Informationen aus sozialen Netzwerken analysiert, um so eine Aussage über die Bonität treffen zu können. Angesichts der weltweiten Anzahl von rund 4 Mrd.3 Internetnutzern und dem damit verbundenen Datenaustausch erscheint dieses Vorhaben durchaus sinnvoll. Hier fällt auch häufig der Begriff „Big Data“, welcher im späteren Verlauf noch einmal aufgegriffen wird. Besonders die Daten, welche im Rahmen der Nutzung von sozialen Plattformen wie Twitter, Linkedin oder auch Facebook generiert werden, stehen im Mittelpunkt dieser Bonitätsprüfung. Aus diesem Datenpool werden demnach präzise Aussagen zu den einzelnen Kreditwürdigkeiten getroffen. Neben Daten aus Social Media greift das System des Social Scorings auch auf Daten, wie zum Beispiel aus dem Einkaufverhalten, zurück. Auch wenn ein System des Social Scorings in Deutschland kaum bis gar nicht anzutreffen ist, zeigt die Studie „Ist Deutschland bereit für Social Scoring“, welche von der Wirtschaftsprüfungsgesellschaft PricewaterhouseCoopers durchgeführt wurde, dass über 50% der 18-25 Jährigen in Deutschland einem solchen System positiv gegenüber stehen.4 Allerdings ist ein damaliges Pilotprojekt der klassischen Auskunftei der SCHUFA Holding AG, Informationen aus dem sozialen Netzwerk Facebook zu verwenden, aufgrund öffentlicher Kritik eingestellt worden.5 Die zentralen Konfliktpunkte betreffen meistens die Vereinbarkeit zwischen unternehmerischen Interessen auf der einen Seite und dem Schutz unrechtmäßiger Nutzung personenbezogener Daten auf der anderen Seite. In der vorliegenden Arbeit soll der Frage „Welche Möglichkeiten und Herausforderungen bringt Social Scoring für die Scoringinstitutionen im Rahmen der Kreditwürdigkeitsanalyse in Deutschland mit sich?“ nachgegangen werden.
1.2 Aufbau der Arbeit
Dem Leser soll zunächst ein Einblick in die Thematik des „Scorings“ gegeben werden. Dazu erfolgt zunächst eine allgemeine Definition des Begriffs des „Scorings“. Anschließend wird dargelegt, welche Bedeutung dem „Scoring“ in der Kreditwürdigkeitsanalyse zukommt und in welche Bereiche es unterschieden werden kann. Dazu erfolgt eine kurze Begriffsabgrenzung zu anderen Bereichen, in denen Scoring eine Anwendung findet. Darauf folgt eine Einordnung des „Social Scorings“ in den Forschungsdiskurs und eine Darlegung des aktuellen Forschungsstandes. Hierauf folgt in Kapitel 3 eine Einordnung des Kreditscorings in den rechtlichen Kontext der Länder Deutschland und China. Dazu wird explizit auf die aktuell geltende Rechtslage in Bezug auf die Datennutzung der beiden Länder eingegangen und diese dargestellt. Im anschließenden vierten Kapitel werden die Scoringverfahren, wie sie aktuell in Deutschland und China Anwendung finden, näher erläutert. Dazu wird zunächst die allgemeine Anwendung eines Kreditscorings in Deutschland dargestellt. Aufbauend auf diesem Wissen wird eine eigene Weiterentwicklung des Kreditscoring anhand des Praxisbeispiels von Auxmoney dargelegt. Darauf folgt eine Darlegung der mit dem Kreditscoringsystem einhergehenden Vor- und Nachteile. Nachdem auch die aktuelle Anwendungslage in China mit ihren Vor- und Nachteilen vorgestellt wurde, wird ein Vergleich der beiden Länder gezogen. Hier wird der Frage nachgegangen, ob China ein mögliches Vorbild für Deutschland darstellen könnte. Abschließend werden die wichtigsten Erkenntnisse der vorangegangenen Arbeit noch einmal zusammengefasst und ein Ausblick für den zukünftigen Umgang mit „Social Scoring“ in Deutschland gegeben.
2 Was ist Scoring – Definition und Darstellung
2.1 Definition des Begriffs „Scoring“
Im Allgemeinen bezeichnet Scoring die Benutzung eines Wahrscheinlichkeitswertes über ein voraussichtliches konkretes Verhalten einer natürlichen Person, um eine Entscheidung im Rahmen einer Durchführung oder Beendigung einer geschäftlichen Beziehung zu treffen.6 Es soll also die Frage nach der Eintrittswahrscheinlichkeit eines bestimmten Ereignisses möglichst präzise beantwortet werden. Hierbei wird auf Grundlage von personenbezogenen Daten aus der Vergangenheit eine Schlussfolgerung gezogen. Dabei wird im Rahmen eines Scorings davon ausgegangen, dass bei ähnlichen Merkmalen verschiedener Personen ein ähnliches Verhalten erwartet werden kann.7 Beim Scoring wird also eine Gesetzmäßigkeit des Verhaltens von Individuen unterstellt. Dabei ist zu beachten, dass hierbei nicht alle vorhandenen Eigenheiten und Charakteristika berücksichtigt werden können. Dies kann an fehlenden Informationen, aber auch an subjektiver Irrelevanz, liegen. Zwar muss ein Scoring auf einem mathematisch-statistischen Analyseverfahren beruhen, allerdings fließen auch intuitive Bewertungskriterien, wie zum Beispiel bestimmte Hypothesen, mit in das Scoring ein.8
Es gibt verschiedenste Bereiche, wie zum Beispiel im Bankwesen, in der Medizin oder in der Werbung, in denen Scoring angewendet wird. Im Folgenden werden andere Bereiche jedoch ausgeklammert und das Kreditscoring in den Mittelpunkt gestellt.
2.2 Bedeutung des Scorings im Rahmen der Kreditwürdigkeitsprüfung
Bezogen auf den Bereich der Kreditwürdigkeitsanalyse oder Bonitätsbewertung wird häufig auch von „Rating“ gesprochen. Allerdings ist dieser Begriff eher im Rahmen der Bonitätsbewertung von Unternehmen zu finden.9 Wohingegen der Begriff des „Scorings“ vorwiegend bei der Beurteilung von natürlichen Personen angewendet wird.
Ziel eines jeden Kreditinstitutes ist es, die Kreditrisiken zu minimieren, um so Einzelwertberichtigungen für notleidende Kredite und hohe Opportunitätskosten zu vermeiden.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 1: Kreditrisiken10
Grundsätzlich sollen demnach bestenfalls nur Kredite mit einer sehr geringen Ausfallwahrscheinlichkeit vergeben werden. Das Volumina an notleidenden Krediten in der Eurozone betrug im ersten Quartal 2018 695,8 Mrd. Euro, an denen Deutschland ungefähr ein Anteil von 48 Mrd. zuzusprechen ist.11 Vor diesem Hintergrund ist die Zusammenstellung und Verwertung von Bonitätsinformationen, welche die Zahlungsfähigkeit und Zahlungswilligkeit betreffen, für Kreditinstitute sowie andere Finanzdienstleister von fundamentaler Bedeutung. Ebenso wird das Problem durch die „adverse selection“, bei dem eine asymmetrische Informationsverteilung zwischen Kreditgeber und Kreditnehmer besteht, bekämpft.12 An dieser Stelle wird das oben genannte Kreditscoring erstellt bzw. zur Unterstützung herangezogen. Dieses verfolgt die Idee, schnell und effizient eine Ausfallwahrscheinlichkeit des jeweiligen Kredites zu berechnen und so dem Kreditgeber in seiner Entscheidung über eine Vergabe bzw. Ablehnung eine Grundlage bereitzustellen.13 Nicht zuletzt der Zinssatz wird maßgeblich durch das Ergebnis des Socrings beeinflusst. Zum Erhalt eines Scoringergebnisses gibt es für die Finanzdienstleister unterschiedliche Wege. Grundsätzlich lassen sich zwei Bereiche voneinander unterscheiden:
2.2.1 Externes Scoring
Im Rahmen des externen Scorings erfolgt eine Bonitätsbeurteilung durch ein von dem Kreditgeber oder ähnlichem unabhängigen Unternehmen. In Deutschland übernehmen diese Tätigkeit seit einigen Jahrzenten größtenteils die klassischen Auskunfteien wie die SCHUFA Holding AG oder auch die Creditreform Boniversum GmbH.14
2.2.2 Internes Scoring
Das interne Scoring wird durch den betreffenden Finanzdienstleister selbst gewählt und umgesetzt.15 Die Banken nutzen dafür unter anderem das Kreditgespräch, um so einen Eindruck für die eigene Risikoeinschätzung zu erlangen. In vielen Kreditinstituten werden einheitliche Schriftstücke verwendet, in denen der Antragsteller zum Beispiel Angaben zu seinen Vermögensverhältnissen macht. Aufgrund der häufig bereits bestehenden Geschäftsbeziehung kann der Finanzdienstleister diese Angaben durch eigene Aufzeichnungen nachvollziehen und überprüfen.
2.3 Forschungsstand des Social Scorings in der Kreditwürdigkeitsanalyse
In den letzten Jahren haben sich eine Vielzahl von Wissenschaftlern mit dem Thema Social Scoring auseinandergesetzt. Ein aus heutiger Sicht immer noch wichtiger Aufsatz ist der von M. McPerson, L. Smith-Lovin und J. M Cook aus dem Jahr 2001. Sie stellen einen Zusammenhang zwischen der Zusammenkunft von Personen und ihrer Bildung bzw. Gesellschaftsklasse her. Dabei ist zu beobachten, dass Personen, die sich in Bildung etc. ähneln, öfter miteinander als mit anderen interagieren.16 Diesen Sachverhalt greifen die Autoren Y. Wei, P. Yildirim, C. Van den Bulte und C. Dellarocas 15 Jahre später erneut auf und setzen ihn in Bezug zu sozialen Netzwerken. Sie entwickeln dabei ein Bewertungssystem, welches nur auf Daten aus den sozialen Netzwerken beruht. Sie kommen dabei ebenfalls zu dem Schluss, dass durch die Kreditwürdigkeit einer Person innerhalb einer sozialen Bindung mit dem Betroffenen, oftmals als Freund oder Follower bezeichnet, Rückschlüsse auf die Zahlungsfähigkeit getroffen werden können, da sich die Zusammenkunft von Menschen ähnlicher sozialer Herkunft auch in den sozialen Medien erkennbar macht.17 Unterstützend führt das Autorenteam T. Tan und T. Phan an, dass durch Social Media-Daten Sachverhalte analysiert werden können, die sonst nicht beobachtbar wären.18 Gleichzeitig wird jedoch herausgestellt, dass die Berücksichtigung von Daten aus zum Beispiel sozialen Netzwerken zu einer sozialen Abschottung einzelner Gruppen führen kann, in denen nur Personen gleicher Kreditwürdigkeit miteinander interagieren.19 Darüber hinaus könnten Benutzer der jeweiligen sozialen Plattform auch Bewusst versuchen ihren „Social Score“ zu manipulieren, indem sie bestimmte „Freundschaften“ aus entsprechenden sozialen Milieus kaufen oder sich selbst als sozialen Kontakt anbieten.20 Auch die Autoren M. Óskarsdóttir, C. Bravo, C. Sarraute, J. Vanthienen und B. Baesens stellen die statistische und wirtschaftliche Bedeutung der Nutzung von Big Data heraus. Sie stützen Ihre Studie neben Daten aus sozialen Netzwerken auch auf Daten aus dem täglichen Smartphone Gebrauch. Die Erkenntnisse aus der Analyse dieser Daten können zur wesentlichen Verbesserung der Genauigkeit der Kreditscores beitragen.21 Zusätzlich stellen sie aber auch die Herausforderungen dar, welche durch die unterschiedlichen Gesetzteslagen der verschiedenen Länder entstehen, da sich die Datenschutzbestimmungen zum Teil wesentlich unterscheiden. In einem Punkt sind die Autoren sich einig, die Einbindung von Daten aus sozialen Netzwerken oder ähnlichem bietet einen großen Vorteil für Personen, über die bisher kaum oder gar keine zurückliegenden Informationen zur finanziellen Situation vorhanden sind. Zusätzlich ist es in einigen Entwicklungsländern schwierig oder sehr kostspielig an Finanzinformationen bestimmter Personen heranzukommen. Hier können zusätzliche Daten, wie die aus sozialen Netzwerken, eine Unterstützung sowohl für die Antragsteller als auch für die Kreditgeber sein.22 Durch die entstehende Möglichkeit Kredite auch an Menschen ohne großen finanziellen Hintergrund vergeben zu können, könne so auch in vielen Ländern ein Schritt gegen Armut gemacht werden.23 Ein weiterer wichtiger Aspekt ist der von den Autoren S. Gül, Ö. Kabak und I. Topcu, welche herausstellen, dass die Kreditscores bei Unternehmen durch die Einbindung sozialer Medien tendenziell schlechter ausfallen.24 Dies begründen die Autoren damit, dass in den sozialen Medien, hier insbesondere auf Twitter, oft negative Erfahrungen und Gedanken über das jeweilige Unternehmen geteilt werden. Dabei verwendet das von ihnen entwickelte Modell Daten aus sozialen Netzwerken lediglich als Unterstützung zu klassischen Informationen.
3 Rechtliche Rahmenbedingungen für Kreditscoring in ausgewählten Ländern
3.1 Regelung in Deutschland durch die DSGVO und das KWG
Wie bereits zuvor erwähnt, betreffen die Konflikt- bzw. Kritikpunkte am Scoring oftmals den Ausgleich zwischen dem Interesse von Wirtschaftsunternehmen auf der einen Seite und dem Interesse des Einzelnen hinsichtlich des Schutzes der personenbezogenen Daten auf der anderen Seite. Aus diesem Grund hat der Gesetzgeber Normen für den Umgang mit Scoring eingeführt. Diese sind zum einen für das Kreditwesen spezialgesetzlich in § 10 Abs. 2 KWG sowie zum anderen branchenübergreifend im Datenschutzrecht seit 2018 in der überarbeiteten Fassung der DSGVO geregelt. Damit sollen den Betroffenen Rahmenbedingungen an die Hand gegeben werden, um die Wirtschaft vor Ausfällen zu schützen und unberechtigte Zugriffe in die Privatsphäre der Antragsteller zu vermeiden. Besonders das KWG verpflichtet Kreditinstitute angemessene Verfahren zur Risikosteuerung sowie Überwachung einzuführen.25 Wichtig im Rahmen der Anwendbarkeit des Datenschutzrechts ist das Vorliegen personenbezogener Daten zu einer eindeutig identifizierbaren Person. Dieser Tatbestand ist bei der Analyse von Datenbeständen zur Erstellung von Scorecards noch nicht gegeben.26 Sobald die Verarbeitung jedoch eine bestimmt definierbare Person betrifft, sind die Regelungen der DSGVO bzw. des KWG zu berücksichtigen. Hierbei gilt zu unterscheiden, ob es sich um forderungsbezogene Daten handelt oder nicht. Daten, wie das nicht begleichen einer Forderung (Negativdaten), dürfen unter den in §31 Abs. 2 BDSG n.F. genannten Voraussetzungen, wie unter anderem die Titulierung der Forderung, an die Auskunfteien weitergeben werden.27 Für die Meldung von Positivdaten bestehen über das allgemeine Datenschutzgesetz keine gesonderten Regelungen. Für die Nutzung von Daten außerhalb forderungsbezogener Daten steht die Einwilligung des Betroffenen im Vordergrund. Dabei hat diese Willenserklärung freiwillig, in informierter Weise und unmissverständlich zu erfolgen.28 Darüber hinaus untersagt das sogenannte Kopplungsverbot, dass die Vergabe von Krediten nicht von der Einwilligung abhängig gemacht werden darf.29 Zusätzlich sind der Zweckbindungsgrundsatz sowie der Grundsatz der Datenminimierung zu berücksichtigen. Nach dem Zweckbindungsgrundsatz muss für den Betroffenen eindeutig ersichtlich sein, wofür die erhobenen Daten genau verwendet werden.30 Unter dem Grundsatz der Datenminimierung ist seit Einführung der DSGVO neben der quantitativen Begrenzung auch die qualitative Begrenzung zu verstehen.31 Die Daten müssen eine Erheblichkeit für das Scoring aufweisen. Diese Erheblichkeit muss nach § 31 Abs. 1 Nr. 2 BDSG n.F. durch ein anerkanntes mathematisch-statistisches Verfahren nachgewiesen werden. Da es immer wieder Fälle gab, in denen falsche bzw. nicht mehr aktuelle Daten bei den Auskunfteien hinterlegt waren, wurden durch Einführung der DSGVO die verantwortlichen Stellen aufgefordert, etwaige Maßnahmen zu treffen, um die personenbezogenen Daten stets aktuell zu halten.32 Einen wichtigen Bereich betrifft noch der Art. 9 Abs. 1 DSGVO. In diesem wird ein klares Verbot zur Benutzung und Verarbeitung besonders schutzwürdiger, personenbezogener Daten ausgesprochen, welche Rückschlüsse oder direkte Auskünfte über Sachverhalte, wie zum Beispiel die ethnische Herkunft oder die politische und religiöse Einstellung, zulassen.33
[...]
1 Vgl. Statista (2018).
2 Vgl. Statista (2017).
3 Vgl. Statista (2017).
4 Vgl. PwC (2018), S. 12.
5 Vgl. FAZ (2016).
6 Vgl. BDSG § 31 Abs. 1.
7 Vgl. Korczak (2005), S. 29.
8 Vgl. ebd. (2005), S. 74.
9 Vgl. Füser (2001), S. 37.
10 Vgl. Weinrich (1978), S. 25 f.
11 Vgl. Deutscher Bundestag (2018), S. 4.
12 Vgl. Schröder/Taeger (2014), S. 11
13 Vgl. ebd. (2014), S. 11.
14 Vgl. ebd. (2014), S. 57ff.
15 Vgl. Treacy/Carey (2000), S.168.
16 Vgl. McPherson/Smith-Lvon/Cook (2001), S. 426.
17 Vgl. Wei/Yildirim/Van den Bulte/Dellarocas (2015), S. 249.
18 Vgl. Tan/Phan (2016), S. 8.
19 Vgl. Wei/Yildirim/Van den Bulte/Dellarocas (2015), S. 249.
20 Vgl. ebd. (2016), S. 250.
21 Vgl. Óskarsdóttir/Bravo/Sarraute/Vanthienen/Baesens (2019), S. 37.
22 Vgl. Wei/Yildirim/Van den Bulte/Dellarocas (2015), S. 249.
23 Vgl. Óskarsdóttir/Bravo/Sarraute/Vanthienen/Baesens (2019), S. 37.
24 Vgl. Gül/Kabak/Topcu (2018), S.97.
25 Vgl. Helfrich (2010), S.57.
26 Vgl. Wolff/Brink (2017), S. 223.
27 Vgl. BDSG § 31 Abs. 2.
28 Vgl. Domurath/Neubeck (2018), S. 12.
29 Vgl. ebd. (2018), S. 14.
30 Vgl. Helbing (2015), S. 146.
31 Vgl. Domurath/Neubeck (2018), S. 17.
32 Vgl. DSGVO Art. 5 d.
33 Vgl. DSGVO Art. 9 Abs. 1.