Blog Risiko & Kredit Kluge Entscheidungen

Scoring: Vom Bauchgefühl zur fundierten Kreditentscheidung

|

Anhand eines Scores lässt sich vorhersagen, wie kreditwürdig ein Unternehmen ist oder ob es seine Rechnungen pünktlich zahlt. Doch wie genau werden Scores gebaut? Eine wichtige Frage. Schließlich treffen Credit Manager auf Basis dieser Informationen Entscheidungen, die Einfluss auf den Erfolg oder Misserfolg eines Unternehmens haben. Im Interview erklären Dominic Uphoff, Director Finance & Risk Analytics, sowie Christian Wagenlechner, Director Risk und Compliance Consulting, wie Dun & Bradstreet seine Scores baut.

Interviewpartner

Herr Wagenlechner, welche Arten gibt es, einen Score zu bauen?

Christian Wagenlechner: Die einfachste Form ist eine sogenannte Balanced-Scorekarte. Hier werden verschiedenen Variablen Punkte zugewiesen. Nehmen wir mal an, Sie wollen sich einen neuen Schreibtisch kaufen und vergeben Punkte von eins bis drei. Alle Schreibtische mit drei sind besonders günstig, die mit zwei liegen im mittleren Preissegment und die mit eins sind teuer. Natürlich lässt sich anhand des Preises nicht mit Sicherheit sagen, ob der Schreibtisch für Sie besser oder schlechter ist. Außerdem sind manche Schreibtische funktionaler als andere. Zu diesen und verschiedenen anderen Faktoren vergeben Sie Punkte. Der Schreibtisch mit der höchsten Punktzahl bekommt den Zuschlag. Hier ist Bauchgefühl mit im Spiel sowie die Annahme, dass besonders teure Schreibtische gut sein müssen. Dahinter steht keine fundierte Analyse.

 

Welche weiteren Arten gibt es, einen Score zu bauen?

Dominic Uphoff: Ein weiterer Ansatz ist eine statistische Scorekarte. Hier sammle ich erstmal Daten und schaue dann mit mathematischen Methoden auf das Geschehen in der Vergangenheit. Bei einer statistischen Scorekarte gibt es zu jeder Variable eine Wahrscheinlichkeit. Anhand dieser Informationen lässt sich vorhersagen, bei welchen Variablen welches Ereignis eingetreten ist.

 

Wie baut Dun & Bradstreet seine Scores?

Dominic Uphoff: Wir bauen traditionell erklärbare Scores basierend auf statistischen Methoden. Das heißt, wir analysieren Daten aus der Vergangenheit und schauen, ob ein Unternehmen insolvent gegangen ist oder nicht. Dazu setzen wir das Verfahren der logistischen Regression ein. Wir betrachten einzelne Variablen wie beispielsweise Branche, Unternehmensgröße, wichtige Bilanzdaten oder das Alter der Firma. Das Ergebnis ist ein Regelwerk, anhand dessen wir genau vorhersagen können, ab wann das Risiko, dass ein Unternehmen insolvent geht, besonders hoch ist. Liegt das Eigenkapital zum Beispiel in einem bestimmten Bereich, können wir von einem erhöhten Risiko ausgehen. All das können wir anhand von Daten belegen.

 

Warum baut Dun and Bradstreet traditionell erklärbare Scores?

Christian Wagenlechner: Wir könnten unsere Scores auch durch den Einsatz von Machine Learning erstellen. Hier lernt ein künstliches System anhand von Beispielen und kann basierend auf diesen Informationen automatisch Vorhersagen über die Zukunft treffen. Der Nachteil an dieser Art, Scores zu bauen, ist, dass Sie im Ergebnis eine Black Box haben, bei der die Entscheidungsfindung nur schwer erklärt werden kann. Das bedeutet, Sie können nur schwer nachvollziehen, warum ein Unternehmen wie bewertet wurde. Liegt es an der Mitarbeiterzahl, der Rechtsform oder dem Alter des Unternehmens?

Bei traditionell entwickelten Scores, wie wir es bei Dun & Bradstreet tun, ist das möglich. Wir können genau sagen, weshalb ein Unternehmen einen besseren Score hat als ein anderes. Manchmal liegt es an der Eigenkapitalquote, manchmal an negativen Zahlungserfahrungen oder, oder, oder. Dafür werfen wir einen Blick auf die entsprechenden Variablen.

 

Wie überprüft Dun & Bradstreet die Qualität der Scores?

Dominic Uphoff: Es gibt verschiedene anerkannte Testverfahren in der Branche, mit der sich die Qualität eines Scores überprüfen lässt. Ein Verfahren, das wir einsetzen, ist der Gini. Dabei sortiert man die Unternehmen anhand des Scores. Gestartet wird mit den Firmen, die den schlechtesten Score haben. Je niedriger die Scores, desto höher ist die Wahrscheinlichkeit einer Insolvenz. Die Güte der Entscheidungslogik ergibt sich aus dem Verhältnis der richtig getroffenen Entscheidungen zu den falschen Prognosen. Dies nennt man die Trennschärfe. Darüber hinaus setzen wir viele weitere Verfahren ein, um die Qualität unserer Scores zu validieren.

 

Mehr als eine Million Kreditentscheidungen treffen Großkonzerne täglich. Wie werden Credit Manager dieser Flut an Informationen gerecht?

Christian Wagenlechner: Das Stichwort an dieser Stelle lautet ganz klar Automatisierung! Um die Prozesse bei einer Kreditentscheidung automatisieren zu können, brauchen Credit Manager vergleichbare Daten und eine einheitliche Schnittstelle. Dun & Bradstreet hat Wirtschaftsdaten zu mehr als 420 Millionen Unternehmen weltweit und liefert diese Informationen über eine zentrale Schnittstelle namens „D&B Direct Plus“. Damit können unsere Entscheidungsparameter automatisiert in die Prozesse unserer Kunden übernommen und aktuell gehalten werden.

 

Wie können Credit Manager die Qualität Ihrer Kreditentscheidungen überprüfen?

Dominic Uphoff: Am einfachsten geht das mit einer sogenannten Retroanalyse. Dazu betrachten wir die Kreditentscheidungen der letzten zwölf Monaten und schauen parallel, wie die Entscheidung ausgefallen wäre, wenn der Credit Manager auf Basis des Scores entschieden hätten. So sehen Sie auf einen Blick, wo Sie durch den Einsatz des Scores noch gewinnbringendere Entscheidung für Ihr Unternehmen hätten treffen können.

Webinaraufzeichnung: Vom Bauchgefühl zur fundierten Kreditentscheidung 
 

Testen Sie die Qualität Ihrer Kreditentscheidungen

Risiken minimieren auf Basis von Ratings. Erhalten Sie einen Überblick, wie Sie mit internationalen Scores arbeiten können und wie Sie Ihre internen Informationen in Ihre Kreditentscheidungsprozesse einbeziehen.

Icon Rakete fliegt

Abonnieren Sie unsere Blog-Updates!

Lesen Sie neue Artikel zu den Themen Credit Management, Master Data, Marketing und Compliance als Erste.