Jüngste Fortschritte bei künstlicher Intelligenz und maschinellem Lernen sowie die Entwicklung groß angelegter Datenspeicher-, Zugriffs- und Verarbeitungstechnologien haben das Interesse von Finanzinstituten an neuen Datenquellen für die Kreditbewertung geweckt.
Beispiele für diese neuen Quellen sind Rechnungszahlungshistorien für Telefon-, Versorgungs- und Streaming-Dienste; Transaktionsaufzeichnungen von Giro-, Spar- und Geldmarktkonten; und Mietzahlungshistorien. Das Motiv ist zweierlei: Gewinnstreben, einschließlich der Generierung neuer Konten, und Verbesserung des sozialen Wohlergehens durch Ausweitung des Kreditzugangs auf diejenigen, die über keine traditionelle Kreditwürdigkeit verfügen.
Neue Forschungsergebnisse der University of Notre Dame zeigen, dass zum Nachweis der Kreditwürdigkeit unter Umständen mehrere Besuche im Lebensmittelgeschäft ausreichen.
Das Papier mit dem Titel „Using Grocery Data for Credit Decisions“ erscheint in Kürze in Managementwissenschaft von Joonhyuk Yang, Assistenzprofessor für Marketing am Mendoza College of Business der Notre Dame, zusammen mit Jung Youn Lee von der Rice University und Eric T. Anderson von der Northwestern University. Ein Arbeitspapier ist verfügbar im Elektronisches SSRN-Journal.
Das Team arbeitete mit einem multinationalen Konglomerat zusammen, das in mehreren auf Bargeld angewiesenen Entwicklungsländern in Asien und Afrika tätig ist. Der Datensponsor besitzt einen Kreditkartenaussteller und eine große Supermarktkette, was es den Forschern ermöglichte, Daten aus den beiden Bereichen zusammenzuführen und das Verhalten von 30.089 Verbrauchern zu beobachten.
Sie begannen damit, die Rohdaten in einen effektiveren Satz von Eingaben umzuwandeln und Signale für Kreditrisiken aus Lebensmitteldaten zu entfernen.
„Unser Ansatz wurde durch unser Gespräch mit dem Manager des Datensponsors motiviert, der sagte: ‚Um mit diesen riesigen Datensätzen zu arbeiten, braucht man eine Strategie, um die Schlüsseldaten in aussagekräftige Variablen zusammenzufassen. Ein naiver Ansatz, einfach alles wegzuwerfen.‘ „Unsere Daten werden bei diesem Problem ohne jegliche Struktur wahrscheinlich nicht funktionieren“, sagte Yang.
„Diese Bemerkung steht im Einklang mit einem weiteren Kommentar eines Managers einer der führenden Banken in den USA, mit dem wir gesprochen haben. Der Manager erwähnte, dass das größte Hindernis für die Nutzung umfangreicher, detaillierter Verbraucherdaten bei der Kreditvergabe nicht der fehlende Zugang zu solchen Daten sei, sondern vielmehr das fehlende Wissen darüber, wie man sie effizient nutzen könne.“
Wiederholte Lebensmitteleinkaufsgewohnheiten weisen auf ein Kreditrisiko hin.
Der Kauf von Zigaretten oder Energy-Drinks ist mit einer höheren Wahrscheinlichkeit verbunden, Kreditkartenzahlungen zu verpassen oder in Zahlungsverzug zu geraten, während der Kauf „guter“ oder gesunder Lebensmittel, einschließlich frischer Milch oder Essigdressings, mit der stets pünktlichen Zahlung von Kreditkartenrechnungen verbunden ist.
„Geleitet von einer umfangreichen Literatur zu Gewohnheiten konstruieren wir Variablen, die den Grad der Konsistenz oder den Mangel daran in Bezug auf das, was und wie Kunden kaufen, messen“, sagte Yang. „Lebensmitteldaten eignen sich besonders gut zur Messung allgemeiner Verbrauchereigenschaften, da Lebensmittel nicht haltbare Notwendigkeiten sind und Verbraucher daher häufige und wiederholte Entscheidungen treffen.“
Was eine Person kauft, kann dabei helfen, zu erklären, um welche Art von Zahler es sich handelt, selbst nach Berücksichtigung verschiedener soziodemografischer Variablen und Kredit-Scores.
„Durch die Bewertung von Umfragen auf Artikelebene finden wir Hinweise darauf, dass der Kauf gesünderer, aber weniger praktischer Lebensmittel ein Indikator für verantwortungsbewusstes Zahlungsverhalten ist“, sagte Yang. „Wir sehen auch eine positive und robuste Korrelation zwischen der Beständigkeit in verschiedenen Bereichen des Lebensmitteleinkaufs und der pünktlichen Bezahlung von Kreditkartenrechnungen.“
Karteninhaber, die ihre Rechnungen stets pünktlich bezahlen, kaufen eher am selben Wochentag ein, geben über Monate hinweg ähnliche Beträge aus und kaufen dieselben Marken und Produktkategorien.
Durch eine Simulation hypothetischer Kredit-Scoring- und Entscheidungsprozesse zeigt das Team, dass Daten aus Lebensmittelgeschäften aufschlussreiche Hinweise auf Kreditrisiken liefern können, was zu besseren Kreditergebnissen für kreditwürdige Personen und einer höheren Rentabilität für Kreditgeber führt.
Beispielsweise verbessert die Einbeziehung von Lebensmitteldaten die Ausfallvorhersagegenauigkeit für Personen ohne Kreditwürdigkeit erheblich, was zu einer Verbesserung zwischen 3,11 und 7,66 Prozentpunkten führt.
Die Studie charakterisiert auch Bedingungen, unter denen die Nutzung von Lebensmitteldaten keinen Mehrwert schafft, was Aufschluss darüber geben kann, wann Kreditgeber einen Anreiz haben könnten, alternative Daten zu sammeln, zu erwerben und zu nutzen.
„Insbesondere stellen wir fest, dass der zusätzliche Nutzen von Lebensmitteldaten stark abnimmt, wenn traditionelle Kreditscores oder beziehungsspezifische Kredithistorien verfügbar werden“, sagte Yang. „Diese Ergebnisse unterstreichen das Potenzial für Finanzinstitute, Lebensmitteldaten zu nutzen, um Kredite an Personen zu vergeben, die keine traditionellen Kreditscores haben, und zeigen gleichzeitig die Einschränkungen dieser neuen Datenquelle auf.“
Die Ergebnisse haben direkte Auswirkungen auf das Management von Kreditgebern, da die Verwendung von Lebensmitteldaten für die Kreditwürdigkeitsprüfung eine Möglichkeit darstellt, einen riesigen, unerschlossenen Markt zu erschließen. Kreditgeber können ihren Kundenstamm erweitern und ihre Rentabilität verbessern, indem sie Verbrauchern Kredite gewähren, die derzeit vom traditionellen Kreditsystem nicht oder nur unzureichend bedient werden.
Mehr Informationen:
Jung Youn Lee et al., Kauf- und Zahlungsgewohnheiten: Verwendung von Lebensmitteldaten zur Vorhersage von Kreditkartenzahlungen, Elektronisches SSRN-Journal (2021). DOI: 10.2139/ssrn.3868547