Kreditpoäng

En kreditpoäng (från engelska till poängpoäng, poäng ) är ett numeriskt värde baserat på en statistisk analys som representerar en persons kreditvärdighet . Med kreditbedömning försöker företag bestämma kreditvärdigheten hos kunder eller partnerföretag mer eller mindre automatiskt enligt ett förutbestämt förfarande.

I mer allmän bemärkelse hänvisar poäng till användningen av ett sannolikhetsvärde om ett visst framtida beteende hos en fysisk person i syfte att besluta om upprättande, genomförande eller avslutande av ett avtalsförhållande med denna person ( avsnitt 31 BDSG ).

På grundval av låntagaregenskaper som “kund sedan”, “bostadsort”, “ockupation”, “säkerhet”, tilldelas poäng, dessa viktas och kombineras sedan till en enda kreditbetyg för att göra det lättare att bevilja lån med denna totala poäng. Om kreditvärdigheten är tillräcklig kan ett lån beviljas. Poäng kan dock inte bara användas för att fatta ett kreditbeslut, utan också för att bestämma räntor och kreditgränser .

Motivationen är att undvika risker och att få objektiviserade beslut baserat på en statistiskt stödd metod. Ju bättre den underliggande poängmodellen återspeglar verkligheten, desto färre lånefall blir det. Poängmodeller och funktionerna som flödar in i dem måste uppdateras ständigt.

De specifika reglerna och algoritmerna för tilldelning och viktning av poäng kallas "scorecards", efter sporttermen med samma namn . Det finns olika tekniker för att utveckla lämpliga styrkort, såsom logistisk regression , diskriminerande analys , artificiella neurala nätverk och andra metoder för datamining .

Interna och externa poäng

Kreditpoäng kan baseras på företagets egna data (t.ex. personliga stamdata, kreditapplikationsdata) eller ta hänsyn till externa uppgifter, t.ex. från kreditinstitut .

Internt bestämda kreditpoäng behöver inte matcha externa betyg , vilket kan leda till olika sannolikheter för fallissemang. Det kan finnas många anledningar till detta:

  • olika ingångar
  • olika informationsaggregeringsmetoder
  • olika betygsskalor
  • Banker skapar internt "point in time" -betyg , dvs. en standardprognos för ett år efter bedömningsdatumet, medan externa ratings baseras på en "genom cykeln" -metod, dvs. en standardprognos över konjunkturcykeln.

Kreditpoäng inom detaljhandeln

Denna artikel eller punkt presenterar situationen i Tyskland . Hjälp oss att beskriva situationen i andra länder.

Kreditvärdering används som en statistisk metod av kreditinstitut för att genomföra en riskklassificering för privata standardiserade avbetalningslån och smålån . Sådana lån är oftast beviljas utan säkerhet och enbart baseras på personliga kreditvärdighet av låntagaren (S) .

Ett snabbt kreditbeslut eftersträvas vid behandlingen av avbetalningslån , även om låntagarens detaljerade ekonomiska situation endast kan klargöras i begränsad omfattning .

Det finns personliga egenskaper (såsom yrke, arbetsgivare, civilstånd, kontounderhåll internt, både positiva och negativa egenskaper i kreditrapporterna) och ekonomiska förhållanden som används (disponibel inkomst och ekonomiska förhållanden, förväntade utgifter). Om du har dina egna kunder kan du falla tillbaka på erfarenhet av deras kundrelationer; Kreditchefen fattar kreditvärdighetsbeslutet i traditionell form efter en personlig intervju , som bygger på en subjektiv, intuitiv bedömning men också ger ett helhetsintryck.

De registrerade egenskaperna standardiseras genom en poängutvärdering (kreditpoängsättning). Utvärderingsregler som klassificerar de data som ska samlas in och tilldelar ett poängvärde ( poängen ) kan fastställas i olika procedurer. Förutom fristående applikationer är bordsprocesser eller pappersbaserade processbeskrivningar vanliga.

Tillåtlighet enligt § 28b BDSG

Den 1 april 2010 trädde en ändring av Federal Data Protection Act (BDSG) i kraft, enligt vilken poängsättning ( avsnitt 28b BDSG) är tillåten i syfte att besluta om upprättande, genomförande eller avslutande av ett avtalsförhållande med berörda personen om de använda uppgifterna är vetenskapligt baserade erkända matematiska-statistiska förfaranden är bevisbart betydelsefulla för beslutet. För kreditinstitut skulle överföringen av de uppgifter som används vara tillåten, adressuppgifter används inte uteslutande för beräkningen och, i vid användning av adressuppgifter har den berörda personen i förväg informerats om användningen av dessa uppgifter.

Information enligt § 34 BDSG

Sedan den 1 april 2010 har företag som använder poängplikt enligt 34 § 2 BDSG tvingats ge den berörda personen information om de sannolikhetsvärden som har fastställts under de senaste sex månaderna, vilka typer av data som används för beräkning och förekomst och betydelse av sannolikhetsvärden från fall till fall För att vara begriplig i en allmänt förståelig form.

Enligt 34 § 4 är kreditbyråer skyldiga att lämna relevant information om sannolikhetsvärdena som överförts till tredje part under de senaste tolv månaderna.

Situationen enligt den allmänna dataskyddsförordningen

Den allmänna dataskyddsförordningen ( GDPR ) antogs i april 2016 . Sedan maj 2018 har detta varit i kraft i alla EU-länder utan att något ytterligare genomförande i nationell lagstiftning har genomförts. Förändringar av nationalstaterna är endast möjliga i begränsad utsträckning via så kallade öppningsklausuler. När det gäller poängsättning kommer GDPR att sänka det nuvarande tyska dataskyddet avsevärt i vissa områden. Till exempel är skyldigheten att tillhandahålla information begränsad, geoscoring tillåts igen och omtvistade anspråk kan överföras igen. Det senare skulle kunna tvinga konsumenter att betala räkningar även i händelse av dåliga eller saknade tjänster för att undvika nackdelarna med en negativ poäng.

Samtidigt som den allmänna dataskyddsförordningen trädde i kraft trädde den kompletterande nationella förordningen för poängsättning i Tyskland i kraft med avsnitt 31 i den nya federala dataskyddslagen.

Kreditpoäng från Schufa

Den schufa erbjuder sina kunder sedan 1997, tillsammans med kredit information om enskilda konsumenter en poäng värde baserat på den lagrade i sina uppgifter. Detta är ett värde från 1 till 100, som tilldelas respektive konsument och anger sannolikheten för ett lånefall. Ju lägre värde desto större är sannolikheten för fel. Poängvärdet beror på i vilket syfte det begärs - till exempel får försäkringsbolag andra poängvärden än mobilnätleverantörer. Varje konsument kan förbjuda överföring av poäng till sin person på Schufa. Det är oklart om denna ansökan kommer att ha en negativ inverkan på ett senare kreditbeslut. Sedan början av 2007 kan du se din egen baspoäng i% -värden i din egen information (online).

SCHUFA-branschresultaten reviderades 2001. Poängsättningsmetoden baseras på den logistiska regressionsmodellen , vilken modellerar sannolikheten för att en slumpmässig händelse inträffar med två möjliga resultat. För 2001 års förfarande utvärderades cirka 6,7 ​​miljoner anonymiserade dataposter under en "löptid" på 15 månader. Det finns 7 olika typer av branschpoäng. Dessa är: hypoteksbank, postorder, handel, telekommunikation, kooperativa banker och sparbanker, banker och affärsområdet Schufa.

Sedan 1 april 2010 har konsumenter kunnat använda enligt § 34 Abs. F. få information om de historiska sannolikhetsvärdena - det vill säga SCHUFA-poäng som rapporterades till SCHUFA-avtalspartner under de senaste 12 månaderna.

De egenskaper som SCHUFA tar hänsyn till inkluderar faktiska till exempel poster om utestående krediter och om meddelanden om dunning eller verkställighet som har blivit lagligt giltiga , men också statistisk poängsättning.

SCHUFA håller den exakta beräkningsformeln för sitt poängsystem låst och nyckel och har hittills motsatt sig alla begäranden om att avslöja det.

Fram till 2001 inkluderades inhämtning av personlig information som ett negativt inslag i poängsättningen. Efter massiva protester stoppade Schufa denna praxis enligt sin egen information.

En riskklassificering bestäms av de maskinbestämda uppgifter som kreditgivaren begär och kreditbeslutet upprättas.

Kreditvärdering inom företagsbanker

Inom företagsområdet analyseras de ekonomiska uppgifterna mer detaljerat; Fokus ligger på analysen av årsredovisningen för informationsbehandling och utvärdering. Uttalanden om trender görs och kvalitativa, framtidsinriktade faktorer beaktas (t.ex. potentialen för humankapital ). En bedömning utförs sedan. Som ett resultat liknar de riskfaktorer som bankerna beaktar de stora kreditvärderingsinstitutens. De tar hänsyn till den ekonomiska situationen, marknadspositionen och ledningskvaliteten. En långsiktig relation med låntagaren ( husbank förhållande ) kan ge bankerna ett informationsövertag över rating organ som bara har extern information.

Fördelar och nackdelar

Kreditpoängmodellen har fördelar och nackdelar jämfört med konventionella metoder:

fördelar

  • Standardisering , lånepersonalens personliga preferenser är avstängda
  • Empiriskt validerbar (objektivt begriplig)
  • EDP-teknisk förfining möjlig
  • För långivare (som inte nödvändigtvis behöver vara banker, eftersom processen också kan användas för varufinansiering) blir lånebeslutsprocessen mer ekonomisk genom automatisering.
  • Påskynda kreditbeslutet
  • Tids- och kostnadsbesparingar

nackdel

  • Låneansvarigens personliga erfarenhet ingår inte. Ett långsiktigt affärsförhållande med låntagaren är ofta en informationsfördel.Lånansvarig bestämmer sitt helhetsintryck av låntagaren. Vissa tekniska poänglösningar tar dock hänsyn till sådan data.
  • Uppgifterna kan vara problematiska ( dataskydd )
  • Beslutet kan fattas på grundval av föråldrade eller felaktiga uppgifter (datakvalitet)
  • Att vidarebefordra eller handla med data är möjligt
  • Fråga utan kundens godkännande
  • otillräcklig hänsyn till kvalitativa personuppgifter
  • konstant uppdatering nödvändig

kostar

Det finns två typer av kostnader att tänka på i samband med kreditkontrollen:

  • Kostnader från fel 1. Typ: Utlåning till kunder med dålig kreditbetyg, vilket resulterar i ett lånefall.
  • Kostnader från fel typ 2: ingen utlåning till låntagare med bra kreditbetyg, förlorade ränteintäkter

Se även

litteratur

  • Rothmann, Robert; Sterbik-Lamina, Jaro; Peissl, Walter (2014): “Credit Scoring in Austria”; Institute for Technology Assessment of the Austrian Academy of Sciences (ITA / ÖAW); Studera på uppdrag av Federal Chamber of Labor (AK Wien); ITA-projektrapport nr: A66. ISSN  1819-1320

webb-länkar

Individuella bevis

  1. ↑ Poängsättning: förhindrar ett steg bakåt i dataskydd | VZBV. Hämtad 1 februari 2017 .
  2. ↑ FinanceScout24: Schufa-poäng: Vet du din poäng och innebörden? I: FinanceScout24 . 7 maj 2015 ( financescout24.de [nås 14 november 2016]).
  3. ↑ R. Hüls, A. Henking (2003): ”Med poäng till mer intäkter” i ”Bank und Markt”, nummer 03/2003