Mit diesem Algorithmus werden Banken ihre Schuldner jagen

Auch Banken arbeiten wie Geheimdienste: Sie sammeln Informationen über ihre Kontoinhaber. Ein neues Auswertungsmodell soll den Geldinstituten jetzt helfen, solche Informationen sinnvoll zu nutzen — nämlich dann, wenn Konten überzogen werden. Zusammen mit einem großen Kreditkartenunternehmen haben Naveed Chehrazi, Assistenzprofessor an der University of Texas und Thomas Weber von der École Polytechnique Fédérale in Lausanne einen Algorithmus entwickelt, der präzise vorhersagen kann, ob ein säumiger Kreditkartenhalter eine offene Rechnung auch wirklich begleichen wird.

„Das Problem mit dem Eintreiben von Kreditkartenschulden ist hochkomplex“, sagt Chehrazi: Banken können die Wahrscheinlichkeit abschätzen, mit der ein Kreditkarteninhaber in Zahlungsverzug geraten wird. Sobald aber ein Konto überzogen wird, können sie meist nur noch Vermutungen darüber anstellen, wer diese Schulden zurückzahlen wird und wer nicht. Nach einer bestimmten Frist schalten sie daher oft Inkassounternehmen ein, die das Geld vom Schuldner eintreiben sollen — eine teure Strategie.

Umso erstaunlicher sei es, dass Banken bisher keine validen Vorhersagesysteme besäßen, sagt Chehrazi. Schließlich müssten sie beurteilen, wann und wo es sich lohnt, Geld zu leihen, und wann ein Geldeintreiber eingesetzt oder gar eine Klage eingereicht werden sollte. Oder wann es sich lohnt, vorerst gar nichts zu unternehmen.

Das Modell von Chehrazi und Weber soll den Banken diese Aufgabe erleichtern. Es nennt sich Dynamic Collectability Score. Mit ihm können Kreditinstitute Kontoinhaber basierend auf bestimmten Faktoren einstufen und die Kreditwürdigkeit des Schuldners bewerten. Zu den Faktoren zählen die Höhe des offenen Schuldenbetrags, Hypothekenbelastung und Zahlungshistorie, aber auch externe Faktoren wie die Leistungskurven des Aktienmarkts und die nationale Arbeitslosenquote.

Die Auswertung passe sich immer neu an, wenn sich eine der Variablen ändere, sagt Cherazi. „Jede neue Information wird die Vorhersage beeinflussen. Jede Handlung wird vom Algorithmus berücksichtigt — vom unbeantworteten Inkasso-Telefonanruf bis zur Teilrückzahlung an die Bank.“ Die daraus entstehende Echtzeitvorhersage über die Wahrscheinlichkeit, dass eine offene Rechnung noch beglichen wird, soll gängige Bewertungssysteme der Banken an Genauigkeit um das Doppelte übertreffen. Gleichzeitig verbessere sich der Algorithmus, weil er aus jedem Fallbeispiel seine Lehren ziehe. Kein anderes System könne dies bisher bewältigen, versichern die Wissenschaftler. 

„Das Problem mit dem Eintreiben von Kreditkartenschulden ist hochkomplex“, sagt Chehrazi: Banken können die Wahrscheinlichkeit abschätzen, mit der ein Kreditkarteninhaber in Zahlungsverzug geraten wird. Sobald aber ein Konto überzogen wird, können sie meist nur noch Vermutungen darüber anstellen, wer diese Schulden zurückzahlen wird und wer nicht. Nach einer bestimmten Frist schalten sie daher oft Inkassounternehmen ein, die das Geld vom Schuldner eintreiben sollen — eine teure Strategie.

Umso erstaunlicher sei es, dass Banken bisher keine validen Vorhersagesysteme besäßen, sagt Chehrazi. Schließlich müssten sie beurteilen, wann und wo es sich lohnt, Geld zu leihen, und wann ein Geldeintreiber eingesetzt oder gar eine Klage eingereicht werden sollte. Oder wann es sich lohnt, vorerst gar nichts zu unternehmen.

Das Modell von Chehrazi und Weber soll den Banken diese Aufgabe erleichtern. Es nennt sich Dynamic Collectability Score. Mit ihm können Kreditinstitute Kontoinhaber basierend auf bestimmten Faktoren einstufen und die Kreditwürdigkeit des Schuldners bewerten. Zu den Faktoren zählen die Höhe des offenen Schuldenbetrags, Hypothekenbelastung und Zahlungshistorie, aber auch externe Faktoren wie die Leistungskurven des Aktienmarkts und die nationale Arbeitslosenquote.

Die Auswertung passe sich immer neu an, wenn sich eine der Variablen ändere, sagt Cherazi. „Jede neue Information wird die Vorhersage beeinflussen. Jede Handlung wird vom Algorithmus berücksichtigt — vom unbeantworteten Inkasso-Telefonanruf bis zur Teilrückzahlung an die Bank.“ Die daraus entstehende Echtzeitvorhersage über die Wahrscheinlichkeit, dass eine offene Rechnung noch beglichen wird, soll gängige Bewertungssysteme der Banken an Genauigkeit um das Doppelte übertreffen. Gleichzeitig verbessere sich der Algorithmus, weil er aus jedem Fallbeispiel seine Lehren ziehe. Kein anderes System könne dies bisher bewältigen, versichern die Wissenschaftler. 

Du willst mehr? Dann werde WIRED Member.