credit-scoring-in-österreich

Beurteilung der Kreditwürdigkeit
Ob mit quantitativ-statistischen Scoring-Modellen tatsächlich eine derartige
Exaktheit und Objektivierung erreicht werden kann, ist jedoch fragwürdig.
Letztlich erfolgt auch im Fall statistischer Verfahren eine Übertragung von
subjektiven Ansichten und Erfahrungswerten der verantwortlichen Programmierer
und Entwickler, wobei sich diese zum Beispiel in der Gewichtungen
einzelner Variablen oder in der Festlegung entscheidender Parameter und
Schwellenwerte äußert. Grundsätzlich sollte auch stets der mechanische
Charakter derartiger Modelle bedacht werden. Eigentlich bestätigt bereits
der oben signalisierte Bedarf an ständiger Validierung und Reparametrisierung,
die tendenzielle Fehleranfälligkeit der verschiedenen Scoring- und
Rating-Verfahren. Auch die Tatsache, dass es eine ganze Reihe an Verfahren
gibt und nicht jedes Modell in jeder Situation auch adäquate Ergebnisse
liefert, bedeutet, dass die Methode nicht per se ideal ist. Man könnte
auch sagen, dass jede Weiterentwicklung und Spezifizierung der Scoring-
Modelle impliziert, dass die Güte und Aussagekraft zuvor noch ungenügend
war.
Statistik ist nicht
objektiv
Qualität und Aussagekraft eines derartigen Rating- bzw. Scoring-Verfahrens
hängen auch ganz wesentlich von der Zuverlässigkeit der verwendeten
Daten ab. Als besonders anschauliches Beispiel sei hier auf das Phänomen
sogenannter Datenzwillingen hingewiesen. So gibt es in Österreich
laut Wirtschaftsauskunfteien etwa 600 bis 2.000 derartiger Fälle mit gleichem
Vor- und Nachnamen sowie identischem Geburtsdatum. Die genaue
Zahl hängt letztlich von der jeweiligen Datenbank ab. Fakt ist jedoch, dass
derartige Phänomene zu Verwechslungen führen können und die Gültigkeit
von Bonitätsbewertungen grundsätzlich untergräbt.
Weitere potentielle Fehlerquellen sind alte und unvollständige Daten, Zahlen-
und Namensdreher (Verwechslung von Zahlenstellen oder Vor- und
Nachnamen), die oben bereits besprochene Repräsentativität in den Untergruppen
sowie ein allgemeines Verletzen statistischer Grundvoraussetzung
und Prämissen (Skalenniveau, Normalverteilung der Variablen usw.)
(vgl. Backhaus et al. 2003; vgl. Schulte-Mattler & Daun 2004).
von Datenzwillingen
und Zahlendrehern
Fehler treten also nicht erst bei der Analyse auf, sondern schleichen sich
meist bereits bei der Erfassung, Speicherung und Zusammenführung der
Daten ein. Eine deutsche Studie von Korczak & Wilken (2009), in der die
Datenqualität von Wirtschaftsauskunfteien über Selbstauskünfte von Testpersonen
(n = 100) analysiert wurde, kommt zu dem Ergebnis, dass rund
45 % der Auskünfte fehlerhafte, unvollständige oder falsche Eintragungen
aufweisen. Mit Bezug auf die SCHUFA wurden rund 26 % an falschen
oder veralteten Speicherungen festgestellt. Bei der CEG Creditreform Consumer
GmbH konnte in rund 5 % der Fälle sogenannte Zahlen- oder Buchstabendreher
bei Geburtsdaten und Adressen, sowie falsch gespeicherte
Unternehmensbeteiligungen gefunden werden (vgl. Korczak & Wilken 2009).
Auch in der Leitfadenreihe zum Kreditrisiko der OeNB & FMA wird klar
ausgeführt, dass sich Fehler (insbesondere bei dezentraler Datenerhebung)
nicht vermeiden lassen (vgl. Thonabauer et al. 2004a: 72).
ITA-Projektbericht Nr.: A66 | Wien, April 2014 57