A Study on the Application of Alternative Data in Credit Assessment for the Unbanked Population
Diese Studie zeigt, dass die Integration alternativer Daten, wie etwa Miet- und Nebenkostenzahlungsgeschichten, in maschinelle Lernmodelle zur Kreditbewertung die Kreditbewilligungsraten für die „kreditunichtbare“ Bevölkerung signifikant erhöht, ohne das Ausfallrisiko wesentlich zu steigern oder die demografische Fairness zu beeinträchtigen, und damit die finanzielle Inklusion vorantreibt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine Eintrittskarte für einen sehr exklusiven Club zu bekommen. Der Türsteher (das Kreditsystem der Bank) hat eine strenge Regel: „Sie dürfen nur eintreten, wenn Sie eine VIP-Karte von einem vorherigen Club besitzen.“
Das Problem ist: Viele Menschen waren noch nie in einem Club. Sie haben keine VIP-Karte, nicht weil sie schlechte Menschen sind oder ihre Rechnungen nicht bezahlen, sondern schlichtweg, weil sie nie die Chance dazu hatten. In der Finanzwelt nennt man diese Menschen „kreditunsichtbar“ (credit invisible). Weil sie keine „VIP-Karte“ (eine herkömmliche Kreditwürdigkeit/Credit Score) besitzen, weist der Türsteher sie automatisch ab oder zwingt sie dazu, eine enorme Gebühr zu zahlen, um Einlass zu erhalten.
Diese Studie ist wie eine neue Strategie für den Türsteher. Anstatt nur nach der VIP-Karte zu suchen, beginnt der Türsteher auf andere Dinge zu achten, die beweisen, dass man zuverlässig ist, wie zum Beispiel:
- Bezahlen Sie Ihre Miete pünktlich?
- Bezahlen Sie Ihre Strom- und Wasserrechnungen?
- Haben Sie schon lange dieselbe Telefonnummer?
Die Forscher haben diese Idee anhand realer Daten aus Autokreditanträgen (speziell „Subprime“-Kredite, die für Menschen mit weniger perfekter Kredithistorie gedacht sind) getestet. Sie verglichen zwei Gruppen von Antragstellern:
- Gruppe A: Wurde nur nach ihrer traditionellen „VIP-Karte“ (Kredithistorie) beurteilt.
- Gruppe B: Wurde nach ihrer „VIP-Karte“ PLUS ihrer Miet-, Strom- und Telefonrechnungs-Historie (genannt „Alternative Daten“) beurteilt.
Dies ist das Ergebnis, einfach erklärt:
1. Der „neue Türsteher“ lässt mehr Leute rein
Als der Türsteher anfing, auch auf Miet- und Nebenkostenabrechnungen zu achten, stieg die Zahl der Personen, die für Kredite zugelassen wurden, um 22 %.
- Die Analogie: Es ist so, als würde man erkennen, dass jemand nicht unbedingt im Fitnessstudio trainieren muss, um fit zu sein. Vielleicht joggt er einfach im Park. Indem der Türsteher auf das „Joggen im Park“ (Mietzahlungen) achtete, erkannte er, dass diese Menschen tatsächlich fit und zuverlässig sind.
2. Das Risiko schoss nicht durch die Decke
Normalerweise sorgt man sich, wenn man mehr Leute hereinlässt, dass mehr von ihnen gegen die Regeln verstoßen könnten (den Kredit nicht zurückzahlen).
- Das Ergebnis: Die Zahl der Personen, die ihre Kredite nicht zurückzahlten, stieg um lediglich 0,4 %. Das ist ein winziger, fast unsichtbarer Anstieg.
- Die Analogie: Stellen Sie sich einen Damm vor, der das Wasser zurückhält. Die Forscher haben die Schleusen ein wenig weiter geöffnet, um mehr Wasser durchzulassen. Sie hatten Angst, dass der Damm brechen könnte, aber er hielt dem Druck kaum mehr stand. Die neuen Leute, die hereingelassen wurden, waren größtenteils sichere, zuverlässige Schwimmer und keine gefährlichen Wellen.
3. Es geht nicht nur um „schlauere“ Computer
Die Forscher wollten sicherstellen, dass die Verbesserung nicht nur darauf zurückzuführen war, dass sie einen schicken neuen Computer-Algorithmus (wie XGBoost) verwendeten.
- Der Test: Sie ließen denselben schicken Computer-Algorithmus auf beiden Gruppen laufen. Die Gruppe mit den zusätzlichen Daten (Miete/Rechnungen) gewann immer noch.
- Das Fazit: Die Magie lag nicht im Computer, sondern in den zusätzlichen Informationen. Die Daten zu Miete und Rechnungen erzählten eine Geschichte, die die Kreditkartendaten nicht erfassen konnten.
4. Es war fair für alle
Eine große Sorge bei neuen Regeln ist, dass sie bestimmte Gruppen (wie Minderheiten oder einkommensschwache Familien) versehentlich benachteiligen könnten.
- Die Prüfung: Die Forscher prüften, ob das neue System verschiedene ethnische Gruppen und Einkommensgruppen fair behandelte.
- Das Ergebnis: Die Fairness-Werte blieben fast exakt gleich. Das neue System begann nicht plötzlich, mehr Menschen aus bestimmten Gruppen abzulehnen. Es gab einfach allen eine fairere Chance, basierend auf ihrem tatsächlichen Verhalten.
5. Die „fehlenden“ Teile sind wichtig
Ein kluger Trick, den die Forscher anwandten, war der Umgang mit „fehlenden“ Informationen.
- Der alte Weg: Wenn eine Person keine Kreditkarte hatte, hätte der Computer vielleicht einfach einen Durchschnittswert geschätzt oder die Bewerbung der Person gelöscht.
- Der neue Weg: Der Computer behandelte „keine Kreditkarte“ als ein spezifisches Signal. Er sagte: „Okay, diese Person hat keine Kreditkarte, aber lassen Sie uns auf ihre Miete schauen.“
- Warum das wichtig ist: Dies verhinderte, dass das System Menschen versehentlich bestrafte, nur weil sie neu im Kreditsystem waren. Es erkannte, dass „keine Historie“ nicht dasselbe ist wie eine „schlechte Historie“.
Das Faz
Diese Studie zeigt, dass wir Menschen helfen können, die derzeit vom Finanzsystem ausgeschlossen sind, indem wir auf ihre echten Lebensgewohnheiten (Miete zahlen, Telefonnummer halten, Nebenkosten bezahlen) achten, anstatt nur auf ihren finanziellen Lebenslauf (Kreditkarten und Kredite).
Indem wir dies tun, können Banken sicher an Menschen verleihen, die tatsächlich in der Lage sind, ihre Schulden zurückzuzahlen, ohne das Risiko zu erhöhen, Geld zu verlieren oder Menschen unfair zu behandeln. Es ist so, als würde man erkennen, dass der Charakter eines Menschen sich auf viele Arten zeigt, nicht nur in einem einzigen Dokument.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.