Immer mehr Menschen in Afrika nutzen mobiles Banking. © Noor Khamis/Reuters

Reisen Sie viel und sind Sie mit Arbeitskollegen auf Facebook und Twitter vernetzt? Telefonieren Sie öfter am späten Abend und bekommen Sie durchschnittlich mehr SMS als Sie versenden? Hält der Akku Ihres Smartphones locker einen ganzen Tag und sind Ihrem Postfach E-Mails mit der Bestätigung von Zahlungseingängen zu finden? Glückwunsch, dann sind Sie vermutlich kreditwürdig – jedenfalls wenn es nach den Algorithmen von Startups wie InVenture, Lenddo oder Branch geht.

Die drei jungen Unternehmen aus dem Silicon Valley sind im Kreditgeschäft tätig und haben dabei vor allem Entwicklungs- und Schwellenländer im Auge. Sie wollen Menschen, die keinen Zugang zum klassischen Bankgeschäft und keine Kredithistorie haben, die Möglichkeit geben, trotzdem an Geld zu gelangen. Es geht dabei um sogenannte Mikrokredite, häufig zwischen 30 und 50 US-Dollar. Was die Kunden benötigen, ist lediglich ein Smartphone, das ihre Kreditwürdigkeit anhand verschiedener Nutzungsdaten auswertet.

Dieser Ansatz fällt unter das sogenannte Scoring 2.0 oder Big Data Scoring. Traditionelle Bonitätsprüfungen wie die von der deutschen Schufa werten vor allem Kreditverträge, das Zahlungsverhalten und persönliche Daten wie die Anschrift und die Anzahl der Umzüge aus. In Ländern wie Kenia, Nigeria oder den Philippinen gibt es diese Informationen über viele Bürger nicht. Deshalb suchen die Kreditanbieter nach alternativen Wegen, die Bonität der potenziellen Kunden zu prüfen. Sie finden sie in der zunehmenden Verbreitung von Smartphones und mobilen Diensten.

Daten aus dem Smartphone

Schließlich liefert kaum ein anderes Gerät so viele Informationen über seinen Besitzer wie das Smartphone. "Wir sorgen uns nicht um dünne Akten, weil wir Daten reibungslos über mobile Technologien sammeln: Über 10.000 Datenpunkte pro Kunde" heißt es auf der Website von InVenture. Branch äußert sich etwas konkreter: "Wir sammeln Daten, wenn Sie sich in unsere App einloggen, das betrifft Daten über Ihr Gerät: SMS, Anruflisten und Adressbücher."

Das Wall Street Journal hat einige dieser gesammelten Datenpunkte genauer betrachtet. Erstaunlich ist, welche angeblichen Zusammenhänge die Algorithmen der Unternehmen teilweise erkennen. So gilt unter den rund 150.000 Kunden von Branch und InVenture in Kenia und Tansania als mutmaßlich eher kreditwürdig, wer in den Abendstunden telefoniert. Da in dieser Zeit die Gebühren niedriger sind, zeugt dies angeblich von einem gewissen Kostenbewusstsein aufseiten der Kunden. So weit, so nachvollziehbar.

Schwieriger wird das bei anderen Datenpunkten. So gilt als weniger kreditwürdig, wer schneller den Akku seines Smartphones entleert, wer mehr SMS verschickt als empfängt und wer Kontakte im Adressbuch ohne Nachnamen speichert. Keine dieser scheinbar obskuren Informationen alleine reichen aus, um die Kreditwürdigkeit eines Nutzers festzustellen. Doch in einem Algorithmus zusammengefasst, sollen sie ein recht genaues Profil über die Zahlungsfähigkeit liefern, sagen die Unternehmen.

Eine Frage von Statistik und Algorithmen

"Man kann alternative Datenpunkte wie die Anzahl der Kontakte im Adressbuch oder installierte Apps zunächst ohne jegliche Hypothesen nehmen, um zu schauen, ob sich daraus empirisch einen Zusammenhang über die Kreditwürdigkeit feststellen lässt. Falls dem so ist, ist das ein Entscheidungskriterium, das Scoring-Anbieter für ihre Vorhersagen nutzen können", erklärt Alexander Graubner-Müller. Mit seinem Hamburger Unternehmen Kreditech bietet er unter anderem Big Data Scoring in Ländern wie Mexiko und Polen an. Der Mehrwert der Modelle sei in jedem Land unterschiedlich, sagt Graubner-Müller. In Ländern, in denen ein effizienter Austausch zwischen Kreditinstituten stattfindet, sei das klassische Scoring meist ausreichend.

Aber wie zuverlässig sind die Zusammenhänge zwischen etwa der Akkunutzung oder den Namen im Adressbuch und der tatsächlichen Fähigkeit oder Bereitschaft, Kredite zurückzuzahlen, denn tatsächlich? "Man muss natürlich immer überlegen, auf welcher empirischen Basis man den Einfluss der Merkmale auswertet", sagt Graubner-Müller. Kreditech habe am Anfang die ersten tausend Kredite ohne Modell vergeben, um zunächst ein repräsentatives Sample des Kreditmarktes zu erheben. Erst anschließend wurde die Mustererkennung angewendet, woraus Charakteristika entstanden sind, die Hinweise auf einen zuverlässigen oder einen weniger zuverlässigen Kunden geben.

Verbraucherschützer wie Frank-Christian Pauli von der Verbraucherzentrale Bundesverband kritisieren dieses Verfahren: "Das Problem ist, dass statistische Erfahrungen auf den Einzelnen übertragen werden. Die Ursachen, warum der Einzelne ein Merkmal trägt, müssen aber nicht mit der Bonität zusammenhängen, sie können auch zufällig zustande kommen. Je mehr Merkmale  man hinzunimmt, die nicht unmittelbar mit der Kreditwürdigkeit zu tun haben, desto undurchsichtiger wird das Verfahren für die Verbraucher."