Kreditscores und Klassifikationsprozesse. Schufa und Fair Isaac Company (FICO)

Bachelorarbeit , 2021 , 37 Seiten , Note: 1,7

Soziologie - Sonstiges

Die folgende Arbeit behandelt das Thema, wie die Scorings der verschiedenen Institutionen Einfluss auf einzelne Personen und deren Chancen im Gefüge der Gesellschaft nehmen. Diesen Betrachtungen liegt die These zugrunde, dass die Bewertung des Individuums durch Scoringsysteme zusehends steigt. Dieser Perspektive wird durch einige bereits existente Praktiken unterstrichen. So lässt sich argumentieren, dass sich die Bewertung des Gesundheitsstatus eines Menschen oder auch das weitreichende „Social Credit Scoring“ der chinesischen Regierung jeweils den Klassifikationsmechanismen von Scoringsysteme bedienen.

Die Betrachtung von Kreditscoresystemen bietet einen Ausblick für weitere Anwendungsfelder durch Scoringsysteme. Kreditscoring gibt es schon seit mehreren Jahrzehnten beinahe weltweit. Sie bestimmen Chancen und Strukturen der Akteur*innen innerhalb der Märkte.

In Deutschland und den USA gibt es verschiedene Unternehmen die Kreditscorings anbieten. Sie ähneln sich in ihrer Funktion auf den Märkten, jedoch gibt es Unterschiede in Transparenz und praktischer Anwendung. In dieser Arbeit werden zwei Unternehmen aus beiden Ländern exemplarisch betrachtet, um einen Einblick in die Funktionsweise von Scoringsystemen zu geben und ihre Funktion innerhalb der Märkte zu veranschaulichen. Weiterhin wird untersucht, wie Marktklassifikationen in andere Lebensbereiche eindringen.

Inhalt

1. Einleitung und Relevanzbegrundung

2. Theorie, Methodik und Forschungsstand
2.1 Von Klassensituation zur Klassifizierungssituation
2.2 Forschungsfrage

3. Klassifizierer*innen
3.1 Die Generierung eines Kreditscores
3.2 Fair Isaac Company (FICO)
3.3 Schufa-Holding AG
3.4 Kreditscores und ihre Anwendung
3.5 Die Entwicklung zusatzlicher Dienstleistungen
3.6 Fehleranfalligkeit von Kreditscores

4. Die klassifizierte Lebenswelt
4.1 Diskriminierung durch Scoring
4.2 Die Moralisierung des Kreditscores
4.3 „Off-Label Use“ von Kreditscores
4.4 Die Konstruktion einer kreditwurdigen Identitat

5. Die undurchsichtige Klassifikationsmacht

6. Fazit und Ausblick

7. Tabellenverzeichnis

8. Literatur

1. EinLeitung und ReLevanzbegrundung

Eine Finanzierung fur das neue Eigenheim, den nachsten Urlaub oder auch die eigene Trauung, fur all diese Bereiche gibt es inzwischen spezielle Kredite, die mit niedrigen Zinssatzen locken. Diese konnen sich allerdings schnell andern, wenn entsprechende Institute eine Bonitatsprufung uber die antragstellende Person einholt. Banken und Investor*innen gleichen Kreditraten und Angebote nach entsprechender Bewertung an. Ein niedriges Zinsangebot kann so, nur auf der Basis eines Scores, vielen Privatpersonen verwehrt bleiben. Scores konnen nicht nur Privatpersonen einen Kredit verweigern. Sondern auch Banken oder ganzen Nationalstaaten.

Die bekannteste Kreditwurdigkeitsprufung in Deutschland stammt von der Schufa Holding AG, kurz Schufa Auskunft genannt. Ob es um die Aufnahme von Krediten oder den Einkauf von Waren online geht, bei all diesen Transaktionen kann ein Unternehmen eine Auskunft uber eine Privatperson anfragen. Diese Auskunft erfolgt meist in personenspezifischen Scores. Die Information welche bei einem Einkauf oder einer Kreditaufnahme entstehen werden in der Datenbank der Schufa verzeichnet und bilden so die Grundlage fur die weitere Auskunft. Ein ahnliches Kreditscoresystem gibt es auch in den USA mit dem Namen FICO.

Kreditratings spielen schon seit langerem eine wichtige Rolle im Bewusstsein vieler Burger*innen in den USA und in Deutschland. Tipps, um seinen eigenen Score zu verbessern und Kredite, die damit werben den jeweilige Kreditscore nicht mit in die Zinsberechnung einzubeziehen, sind Phanomene von denen die meisten schon einmal gehort haben. Auch Personen, die kein Interesse an einem konkreten Kredit haben, mussen immer haufiger ihre Kreditwurdigkeit nachweisen. So wurde es in den letzten Jahren zur gangigen Praxis auf den deutschen Wohnungsmarkt, potenzielle Mieter*innen nach ihrem Schufascore zu fragen. (Nagel 2013, S. 10)

Die zunehmende Finanzialisierung aller Lebensbereiche scheint sich in einen messbaren Wert sichtbar zu machen: der Kreditwurdigkeit.

Die folgende Arbeit behandelt das Thema, wie die Scorings der verschiedenen Institutionen Einfluss auf einzelne Personen und deren Chancen im Gefuge der Gesellschaft nehmen. Diesen Betrachtungen liegt die These zugrunde, dass die Bewertung des Individuums durch Scoringsysteme zusehends steigt. Dieser Perspektive wird durch einige bereits existente Praktiken unterstrichen. So lasst sich argumentieren, dass sich die Bewertung des Gesundheitsstatus eines Menschen oder auch das weitreichende „Social Credit Scoring“ der chinesischen Regierung jeweils den Klassifikationsmechanismen von Scoringsysteme bedienen.

Die Betrachtung von Kreditscoresystemen bietet einen Ausblick fur weitere Anwendungsfelder durch Scoringsysteme. Kreditscoring gibt es schon seit mehreren Jahrzehnten beinahe weltweit. Sie bestimmen Chancen und Strukturen der Akteur*innen innerhalb der Markte.

In Deutschland und den USA gibt es verschiedene Unternehmen die Kreditscorings anbieten. Sie ahneln sich in ihrer Funktion auf den Markten, jedoch gibt es Unterschiede in Transparenz und praktischer Anwendung. In dieser Arbeit werden zwei Unternehmen aus beiden Landern exemplarisch betrachtet, um einen Einblick in die Funktionsweise von Scoringsystemen zu geben und ihre Funktion innerhalb der Markte zu veranschaulichen. Weiterhin wird untersucht, wie Marktklassifikationen in andere Lebensbereiche eindringen.

2. Theorie, Methodik und Forschungsstand

Im Folgenden Teil werden grundlegenden soziologischen Theorien erlautert. Und darauf basierend das Ziel dieser Arbeit. Anschlieftend folgen die Klassifikationsprozesse auf der Seite der Unternehmen. Welche unter dem Kapitel „Klassifizierer*innen“ untersucht wird. Die Auswirklungen des Kreditscorings fur Personen und deren Lebenswelt wird im Kapitel „Die klassifizierte Lebenswelt“ erlautert.

2.1 Von Klassensituation zur Klassifizierungssituation

Der Idee einer Klassifikation geht die Annahme von Klassen voraus. Karl Marx und spater Max Weber beschrieben als erste die Gesellschaft als einen Ort an den verschiedene Klassen existieren. Marx geht in seiner Theorie vor allem von okonomischen Klassen aus, welche zwischen Personen mit Kapital der Bourgeoisie und Personen ohne Kapital dem Proletariat unterscheiden. Weber greift dies spater auf und schlieftt sich der okonomischen Bedeutung von Klassen an und fugt daruber hinaus noch Stande hinzu. Bei Standen stehen Lebensfuhrung und die damit verbundene Ehre im Zentrum. Je nach der Klasse und Stand gestalten sich die Lebenschancen fur ein Individuum unterschiedlich. Eine Person aus der Besitzklasse, hat mehr Chancen seinen Besitz zu vermehren und kann verschiedene Schwierigkeiten in seiner personlichen Biografie mit okonomischen Mitteln leichter uberwinden. Als eine Person aus der Erwerbsklasse. (Abels 2009, S. 272)

Unter Klassifizierung versteht man das Einsortieren von verschiedenen Akteur*innen in verschiedene Kategorien. In dem Kontext der Wirtschaftsklassifizierung fur die Kreditwurdigkeit kommen noch unterschiedliche Belohnung oder Sanktionen dazu, die je nach stattgefundener Klassifizierung unterschiedlich ausfallen konnen. Personen oder Personengruppen werden unterschiedliche Eigenschaften aufgrund ihrer Klassifizierung zugeordnet. Unternehmen, Institutionen und andere Akteur*inne konnen mit diesen Klassifikationen ihre Dienstleistungen erweitern oder einschranken. (Fourcade und Healy 2013, S. 562)

Klassifikationen stellen eine kulturelle Leistung dar, da keine Klassifikation von „Natur“ aus gegeben ist, sondern erst geschaffen werden muss. Kategorien wie Ubergewicht oder Untergewicht sind keine Naturmaftigkeit, sondern werden erst durch die Definition von Kategorien und der Zugehorigen Klassifikation erschaffen. (Neckel 2003, S. 162) Klassifikationen liegt die Annahme zu Grunde, dass zwischen ihnen eindeutige und diskrete Unterschiede existieren, die auf eine Position innerhalb eines sozialen Gefuges verweisen. (Krenn 2017, S. 14) Das Kreditscoring ist in seiner Beschaffenheit aus verschiedenen Grunden interessant. Zum einem konnen Klassencharakteristika benutz werden, um eine weiter Klassifikation zu treffen. Zum anderen konnen Kreditscoring eine neue Klassenzuordnung generieren. Fourcade und Healy stellen die These auf, dass Lebenschancen von Personen in einer Gesellschaft, von zunehmenden Klassifikationssystemen wie Scoringmechanismen bestimmt werden. Das bedeutet, dass die Lebenschancen nicht wie bei Weber mit Klassen an sich verbunden sind, sondern viel mehr mit den Klassifikationsmechanismen und der damit einhergehenden Klassifikation. Die Klassifikationssituation wird nun durch die Beschaffenheit des Marktes organisiert und beeinflusst. Webers Idee von Klassensituationen erkennt zwar die Bedeutung von burokratischen Mechanismen an, konnte aber zu seiner Zeit noch nicht die Moglichkeit einer Institutionalisierung durch Marktakteur*innen vorhersagen (Fourcade und Healy 2016, S. 564).

Fourcade und Healy bieten eine Theorie, die Klassfizierungssysteme und deren Entwicklung als Teil eines Prozesses innerhalb des Neo-Institutionalistischen Ansatzes zu betrachten. Im Neo-Institutionalismus werden Institutionen und Organisationen eine wichtige Handlungspragung zugeschrieben (Fuchs-Heinritz und Barlosius 2007, S. 300). Organisationen bedienen sich vieler verschiedener Anordnungsbeispielen aus der breiteren Masse von Institutionen und konnen sich nach deren Beispiel organisieren und anpassen. Im Falle von Kreditscoresystemen stellt der Markt die Grundlage fur die Klassifikation dar. (Fourcade und Healy 2016, S. 13)

Scorings und Ratings beziehen sich auf bestimme gesellschaftliche Felder in welchen verbindliche Hierarchien geschaffen werden sollen. Bei Kreditscoresystemen werden Akteur*innen wie Personen, Unternehmen und selbst ganze Nationalstaaten in verschiedene Kategorien eingeordnet. Scoringsysteme teilen Akteur*inne in verschiedene Gruppen ein, welche Aufschluss uber Kreditwurdigkeit oder Bonitat der entsprechenden Akteur*innen geben soll. Die Klassifizierung durch Scores erfolgt meist durch statistischmathematische Verfahren, welche mit Hilfe von Wahrscheinlichkeiten eine Entscheidungsgrundlage uber die Kreditwurdigkeit bildet (Mau 2018, S. 109).

Durch die Akkumulation der Daten und deren Analyse im Zusammenhang mit den Klassifikationsmechanismen formt sich fur die Individuen eine aufgeladene Form des Kapitals. Fourcarde und Healy (2016) nennen diese Art des Kapitals, „Uberkapital“. Dieses vereint, in Anlehnung an Bourdieu, mehr als nur okonomische Moglichkeiten. Sondern auch die Verhaltensweisen einer Person und deren digitalen Auswertung, finden in dieser Kapitalform einen Ausdruck.

2.2 Forschungsfrage

In dieser Arbeit soll eine soziologische Perspektive auf Kreditscores und deren Erstellung eingenommen werden. Die Algorithmen und statistischen Verfahren welche fur die Generierung eines Kreditscores genutzt werden, stellen den ersten Teil dar. Fur das Beispiel von Algorithmen werden die Kreditscores der Fair Isaac Company (FICO) und der Schufa Holding AG (Schufa) exemplarisch betrachtet. Inwiefern tragen die Kreditscoresysteme der FICO und Schufa zur Klassifikation von Individuen bei? Beide Unternehmen werden bezuglich der von ihnen verwendeten Informationen untersucht, um so einen Einblick in die Scoregenerierung zu gewinnen. Im Folgenden werden die Unternehmen kurz beschrieben und welche Methoden ihrer Klassifikation bekannt sind. Die Entwicklung von zusatzlichen Dienstleister*innen und die Leistungsfahigkeit der Kreditscores wird an Hand der beiden Kreditscores betrachtet. Im Kapiteo „Die klassifizierte Lebenswelt“ wird die Frage untersucht: Welche Effekte die Scoringmechanismen auf das gesellschaftliche Leben haben? Die besondere Herausforderung welche die Klassifizierung durch undurchsichtige Scoringmechanismen der Soziologie stellt, wird im Kapitel „Undurchsichtige Klassifikationsmechnismen“ erortert.

3. KLassifizierer*innen

Bereits seit dem 20. Jahrhundert existiert die Praxis der Kreditwurdigkeitsprufung. Die Anfange der Kreditwurdigkeitsprufung waren noch personliche Gesprache in denen sich die Kund*innen mit Vertreter*innen der Bank uber ihre bestehenden Kredite, Einkommenssituation und Erfahrung ausgetauscht hat. Spater konnten Kund*innen selbst, Daten fur ihre Bonitatsprufung zu Verfugung stellen. Erst nach und nach wurden diese Auswertungsmechanismen mit statistischen Methoden verfeinert (Mau 2018, S. 108). Die Bewertung verschob sich von einer interpersonellen Ebene in eine scheinbar objektive depersonalisierte Ebene (Fourcade und Healy 2016, S. 560). Im Jahr 1970 wurde in den USA der „Fair Credit Reporting Act verabschiedet“. Dieser Beschluss sollte eine Grundlage fur einen besseren Schutz der Privatpersonen im Kreditgeschaft bieten und daruber hinaus die Verfugbarkeit von Krediten fur die amerikanische Bevolkerung erhohen. Weltweit gibt es in fast allen Landern Anbieter*innen fur Kreditscores. Einer der groftten Anbieter*innen in Nordamerika stellt die Fair Isaac Company dar. Die Fair Isaac Company war schon zu diesem Zeitpunkt einer der groftten Anbieter*innen von Kreditscorings und setzte sich in den folgenden Jahren als eines der erfolgreichsten Unternehmen durch durch (Schroder und Taeger 2014, S. 69).

In Deutschland wurde bereits im Jahr 1879 die erste Firma zu Bewertung von Kreditwurdigkeit gegrundet. Damals wurden vorrangig Daten von Kreditgeber*innen untereinander ausgetauscht, um die jeweiligen Kreditrisiken bestimmter Kreditnehmer*innen einschatzen zu konnen (Schroder und Taeger 2014, S. 52).

Deutschland und die USA unterscheiden sich auch bezuglich des Kreditverhaltens. So ist es in den USA ublich groftere Kreditsummen aufzunehmen. Konsumkredite stellen den groftten Anteil dar. In den 1920er bot ein Berliner Unternehmen zum ersten Mal kategorisierte und kundenbezogene Daten fur externe Geschaftspartner*innen an. In den folgenden Jahren bildeten sich mehrere private Auskunfteien. (Marron 2009, S. 25)

3.1 Die Generierung eines Kreditscores

Die Einschatzung des Ausfallrisikos veranderte sich von einem interpersonellen Geschehen zu einem automatisierten und anonymisierten Verfahren. Die vorhandenen Informationen wurden kategorisiert, um standardisierte Angaben uber die Kreditwurdigkeit treffen zu konnen. (Fourcade und Healy 2013, S. 566) Bei den genutzten Informationen unterscheidet man zwischen „Positivinformationen“ und „Negativinformationen“. Als positive Informationen gelten solche, die den Kreditscore verbessern und auf ein geringes Risiko hindeuten. Darunter fallen beispielsweise rechtzeitig bezahlte Rechnungen oder Raten. Negativinformationen sind in ihrer Struktur genau das Gegenteil und konnen so den Kreditscore negativ beeinflussen (Schroder und Taeger 2014, S. 14).

Heute verfugen Kreditscoresysteme uber eine grofte Bandbreite von Informationen. Bisherige Kredite, Einkaufsverhalten oder geosoziale Daten konnen und werden in weiten Teilen ausgewertet. Sie versprechen eine akkurate Bewertung der Bonitat bzw. des Risikos eines Individuums (Mau 2018, S. 115).

Kreditscore-Unternehmen besitzen meist eigene Algorithmen, welche diese enormen Datenmengen strukturieren und analysieren. Diese Algorithmen sind von den entsprechenden Firmen selbst entwickelt und somit Teil ihres Firmengeheimnisses.¹ In Folge dessen ist wenig uber den Prozess der Generierung des Kreditscores bekannt. Sowohl die Schufa als auch die FICO verweisen allerdings auf die wissenschaftliche Integritat ihrer Algorithmen. Die Schufa gibt an, in Kooperation mit Statistiker*innen von verschiedenen Instituten zu sein. Wie beispielsweise der Universitat Tubingen (Schufa 2021).

3.2 Fair Isaac Company (FICO)

Die erste Etablierung von Scoringsystemen fand in Amerika wahrend den 50er Jahren statt. Die Scoringsysteme bestanden damals aus kleineren Zusammenschlussen von Kreditgeber*innen, welche sich uber bekannte Kreditnehmer*innen austauschten und ihnen unterschiedliche Risiken zuordneten. Die Fair Isaac Company, wurde 1956 in den USA vom Mathematiker Earl Isaac gegrundet. Seine Kreditbewertung wurde allerdings erst in den 80er Jahren zu einer gebrauchlichen Praxis in den USA (Bubb und Kaufman 2014, S. 4-6).

Die FICO vergibt eine dreistellige Nummer. Dieser Nummer sind entsprechende Bereiche zugeteilt, in denen man einer bestimmten Gruppe zugeteilt wird. Diese Einordnungen haben laut der FICO unterschiedliche Bonitaten und Risikoeinschatzungen. Die generierten Scores werden von verschiedenen Dienstleister*innen aufgekauft und verwendet. In den USA sind dies vor allem die groften Kreditauskunfteien Equifax, Experian und TransUnion, welche uber 90 Prozent der amerikanischen Burger*innen Informationen verfugen. (Mau 2018, S.108)

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1 Faktoren zur Berechnung des FICO-Scores (Martin 2019)

Diese Informationen konnen je nach Person unterschiedlich stark bei der Berechnung ins Gewicht fallen. Nach welchen Kriterien sich die Gewichtung verandert ist allerdings nicht bekannt. Der dreistellige Scorewert befindet sich in einem Bereich von 200 bis 850 Punkten.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: FICO-Score (Martin 2019)

Der FICO-Scorewert stellt fur viele Banken eine Grundlage der Kreditvergabe dar und ist ein Ausgangswert fur weitere Score Bewertungen. Zusatzlich bietet die FICO branchenspezifische Scorewerte an, welche Risiken fur Online-Shopping, Hypotheken oder Versicherungen vorhersagen.

Dieser Scorewert kann von den Nutzern allerdings unterschiedlich verwendet werden. Die Bewertung der Kreditwurdigkeit durch die FICO stellt nach eigenen Aussagen nur eine Entscheidungshilfe fur Banken und andere Kreditgeber dar. So findet man nach kurzer Suche im Internet Beispiele, die den Verbraucher*innen erlautern, mit welchen Zinssatzen sie bei bestimmten Scorewerten zu rechnen haben. (Mau 2018, S. 113)

Anfang 2020 lag der durchschnittliche FICO-Score in den USA bei 706 Punkten, einen neuen Hochststand (Staff 2020). Knapp 55 Prozent der von der FICO erfassten Personen verfugen nach eigenen Angaben einen Score uber 740 Punkten.

3.3 Schufa-Holding AG

Die Schufa-Holding AG (fruher Schutzgemeinschaft fur allgemeine Kreditsicherung) ist in Deutschland der groftte private Anbieter fur Kreditscoring. Nach eigenen Angaben besitzt die Schufa Daten von uber 64 Millionen naturlichen Personen in Deutschland. Das entspricht ca. 77 Prozent aller Burger*innen. Sie verfugt in Deutschland eine Marktdurchdringung von fast 100 Prozent bei Privatbanken und 85 Prozent bei Sparkassen. (Schroder und Taeger 2014, S. 58; Dieter Korczak und Michael Wilken 2008)

Die Schufa Holding AG geht aus der in den 1920er gegrundeten Berliner Elektrizitats-Aktiengesellschaft hervor. Damals konnten Kund*innen sich Haushaltgerate auf Ratenzahlung bestellen. Doch dies konnten nur Kund*innen welche regelmaftig und ohne Ausfalle die Stromrechnung bezahlten (SCHUFA Holding AG 2021b).

Im Jahr 1995 wurde von der Schufa die erste Dienstleistung im Bereich des Kreditscoring angeboten, der „Auskunfts-Scoring-Service“. Dieses Angebot entwickelte sich weiter und spaltete sich in verschiedene Angebote auf. Heute ist fur private Personen vor allem der Schufa Basisscore relevant. Dieser wird allgemein auch einfach Schufa Auskunft genannt. Die Schufa bietet daruber hinaus Branchenspezifische Scores an, welche Informationen uber die Kreditwurdigkeit von Personen und Unternehmen fur bestimme Transaktionen bereit halt. Verschiedene Branchen stellen hier Energieversoger, Telekommunikationsanbieter, Autovermietungen und einige Versicherungen dar (Schroder und Taeger 2014, 18; 58)

Der Schufa-Basiscscore

Die Schufa verfugt uber eine Bandbreite von verschiedenen Daten. Dazu gehoren (Dieter Korczak und Michael Wilken 2008; Schroder und Taeger 2014): Kontaktdaten wie Name, Geburtsdatum, Geschlecht, Familienstand, Anschrift, Kaufkraft und Zahlungsverhalten im Wohnumfeld, Wohndauer und der Umzugshaufigkeit. Diese Informationen werden laut der Schufa nicht immer benutzt, um einen Score zu ermitteln. (SCHUFA Holding AG 2021a; Bubb und Kaufman 2014)

Fur die Generierung des personenbezogenen Basisscores werden folgende Daten genutzt (SCHUFA Holding AG 2020):

1. Negativinformationen wie Eintrage im Schuldnerverzeichnis sowie laufende Inkassoverfahren
2. Informationen uber bestehende Konten (Girokonten, Konten bei Kommunikationsunternehmen oder Online-Handlern)
3. Bestehende oder abgeschlossene Kredite
4. Zahlungsverhalten und damit verbundenes Ausfallrisiko
5. Nutzungsverhalten: Anzahl, Art und Umfang von Kreditgeschaften mit Ausfallrisiko
6. Lange der Kredithistorie: moglicher Hinweis auf Erfahrung im Umgang mit finanzieller Verpflichtung
7. Angaben aus offentlichen Verzeichnissen und amtlichen Bekanntmachungen

Der Einbezug von geosozialen Daten wie den Wohnort wird von der Schufa nur unter bestimmten Umstanden angewendet, wenn zum Beispiel keine Daten uber Kredite oder Bankkonten vorzufinden sind. Uber die Nutzung von geosozialen Daten liegen seitens der Schufa widerspruchliche Informationen vor. Wahrend 2007 der damalige Firmenchef Neumann versicherte, dass diese Daten nicht ausgewertet werden. Ist auf der offiziellen Internetseite (Stand 2020) vermerkt, dass unter bestimmten Umstanden diese Daten ausgewertet werden konnen. Standardmaftig wurden die Standort spezifischen Daten der Schufa nicht ausgewertet, aufter ihre Geschaftskunde wurde explizit danach verlangen (SCHUFA Holding AG 2021a). Im Gegensatz zur FICO verwendet die Schufa prozentuale Angaben um den Basisscore zu berechnen.

Der Basisscore soll unabhangig von einer Branche eine Auskunft uber die Zahlungswahrscheinlichkeit geben. Dieser Wert wird vier Mal im Jahr zu Beginn eines Quartals aktualisiert und bedeutet konkret, dass eine Person mit einem Scorewert von 97,5 Prozent mit einer Wahrscheinlichkeit von 2,5 Prozent den Zahlungsverpflichtungen nicht nachkommt.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3 Bewertung des SCHUFA-Basisscores (SCHUFA Holding AG)

Die Schufa Holding AG gibt anders als die FICO keine Auskunft daruber, wie stark die verschieden Faktoren Einfluss auf die Berechnung des Scores haben. Im Gegenzug gibt es von Seiten der Schufa keine Informationen uber den durchschnittlichen Basisscore in Deutschland.

Anders als die FICO gibt es keine Daten uber die Verteilung des Schufa- Basisscores in der Bevolkerung. Eine Stichprobe von 100 Personen durch die Verbraucherzentrale Deutschlands ergab, dass 55 Prozent der Personen einen Basisscore zwischen 97 Prozent und 99,7 Prozent haben. 22 Prozent der untersuchten Personen hatten einen Score zwischen 89,5 und 96,99 Prozent. Restlichen Personen bewegten sich in einem Bereich des „deutlich erhohten" Risikos und uber 4 Prozent konnte man keine Aussage treffen, da sie keinen Basisscore durch die Schufa erhalten haben auf Grund von einer zu geringen Datenlage. (Dieter Korczak und Michael Wilken 2009, S. 8)

3.4 Kreditscores und ihre Anwendung

Kreditscores sollen die vorliegende Informationsasymmetrie zwischen Kreditnehmer*innen und Darlehensgeber*innen ausgleichen. Kreditnehmer*innen sind sich ihrer Vorhaben und Vorgehen mit dem Kreditgeld bewusst, wahrend die Banken nicht wissen konnen, was das Vorhaben der jeweiligen Person ist. Daher argumentieren Banken, dass durch die Scoringverfahren eine Situation zu Stande kommt, in welcher beide Akteur*innen einschatzen konnen, wie mit dem Kredit verfahren wird. (Schroder und Taeger 2014, S. 10)

Eine Studie aus dem Jahr 2007 ergab, dass die Nutzung von externen Scoringfirmen die Haufigkeit von Kreditausfallen erheblich reduziert. Die Angst einer schlechten Bewertung generiert einen okonomischen Anreiz, Zahlungsaufforderungen punktlich zu begleichen. (Schroder und Taeger 2014, S.11)

Bei der Minimierung der Informationsasymmetrie und der Reduktion von Kreditausfallen, handelt es sich in der Logik um eine Risikominimierung. Banken wollen ein moglichst geringes Risiko bei jeder Kreditvergabe und versuchen mit Hilfe von Kreditscores Risiken zu ermitteln Die Klassifizierung der Bevolkerungen bzw. aller potenziellen Kunden, bietet den Organisationen wie der FICO oder der Schufa grofteren Freiraum der Individualisierung ihrer Angebote. Diese Individualisierung bezieht sich in den meisten Fallen auf eine Anpassung der Kreditlaufzeit und Hohe des Kredites. (Blochlinger und Leippold 2006, S. 852; Schroder und Taeger 2014, S. 11)

Eine weitverbreitete Praxis fur die Nutzung des FICO-Scores ist die sogenannte „cut-off rule“. Dieser Begriff beschreibt das Vorgehen bei Personen, die unter einen bestimmten Score liegen. So ergaben Recherchen, dass Personen mit einem Score von unter 620 Punkten pauschal als nicht kreditwurdig gelten. Allerdings sollten diese Personen durch diese Einschatzung nicht einfach ausgeschlossen werden, sondern angepasste Angebote bekommen. (Bubb und Kaufman 2014, S. 3)

Diese Pauschalisierung fuhrte dazu, dass in den USA uber 50 Prozent der Investor*innen diese Personen als schlechte Kreditnehmer*innen einstuften. Dieser Score stellt fur Banken allerdings nicht mehr nur eine Warnung vor potenziell schlechten Kreditnehmer*innen dar, sondern eroffnete eine neue Marktstrategie. So raten einige Banken ihren Mitarbeiter*innen, sich auf Personen mit einem schlechten Score zu spezialisieren. Ein Score der mit einem hohen Risiko verbunden ist, ermoglicht es hohere Zinsen zu veranlassen und mehr Gewinn zu generieren. (Bubb und Kaufman 2014, S. 5)

Personen mit einem niedrigen Score sind allerdings nicht einfach als Akteure zu kategorisieren, welche bei Kreditvergaben keine Chance mehr haben. Vielmehr gilt es in den USA als gangige Praxis unter Kreditanbietern auch diese Personen zu akquirieren (Thomas et al. 2017, S. 3). Hieraus ergibt sich, dass Personen mit einen schlechten FICO-Score eher Konditionen bekommen, welche Banken mehr Geld einbringen. Die Risikoermittlung selbst wird so zu einer Praktik, mit welcher mehr Umsatz generiert werden kann. Ein Beispiel dafur ist Die Handhabung von Krediten im Zuge der „Subprime“-Krise² in den USA. Hier wurden gezielt Hypothekenkredite an Schuldner*innen mit schlechten Bonitaten vergeben, da man ihnen hohere Zinsen abverlangen konnte.³ (Sommer 2012)

Daruber hinaus minimiert sich der Bearbeitungsaufwand fur den einzelnen Kredit, da schnell und unkompliziert ein Risiko aus den gesammelten Daten ermittelt werden kann. Der Entscheidungsprozess wird in vielen Bereichen automatisiert und Bedarf in den weiteren Schritten nur noch eine Anwendung durch die verantwortlichen Bankangestellten*innen (Schroder und Taeger 2014, S. 9).

3.5 Die Entwicklung zusatzlicher Dienstleistungen

In Rahmen der immer grofteren Notwendigkeit eines Kreditscores mit geringem Risiko sind auf dem Markt Dienstleister erschienen, welche den klassifizierten Personen versprechen mit ihrer Hilfe einen besseren Kreditscore zu generieren. Auf verschiedenen Videoplattformen sind zahlreiche Selbsthilfevideos zu finde, welche Anleitungen beinhalten, um seinen eigenen Kreditscore zu verbessern. Unter diesen Videos finden sich oftmals Links zu Buchern oder Schulungen welche versprechen mit ihrer Hilfe keine risikoreichen Bewertungen mehr zu erhalten. Internetseiten auf denen Anbietern damit werben den eigenen Kreditscore zu verbessern existieren fur die Schufa und die FICO. (Mau 2018, S. 116)

Mark Kear (2017) beschreibt in seinem Text „Playing the credit score game“, dass es fur einige Personen zur alltaglichen Praxis geworden ist, bestimmte Aspekte ihres Lebens anders zu gestalten, um einen besseren Kreditscore zu generieren. Meist treffen sich Personengruppen welche Tipps austauschen. Das punktliche Begleichen von Rechnungen und das absichtliche Generieren von Positivdaten, stellen dabei die haufigsten ausgetauschten Informationen dar. Haufig besteht die Generierung von Positivinformationen daraus, ausgeglichene Kreditkarten zu behalten, auch wenn man diese nicht mehr braucht.

Weiterhin entwickelte sich in Deutschland eine Branche die sich darauf spezialisierte Schufa-Eintrage zu loschen. Personen, die einen negativen Schufa-Eintrag generiert haben, konnen unter bestimmten Umstanden diesen bei der Schufa-Holding AG loschen lassen. Darunter falle zum Beispiel sogenannte Kleinstkredite unter 1.000 Euro, solange diese innerhalb von zwei Wochen zuruckgezahlt wurden. (Dieter Korczak und Michael Wilken 2009, S. 16)

Ein weiteres Phanomen stellen „Schufa-freie“ Kredite oder andere Vertrage dar. Diese Kredite versprechen eine Bearbeitung der Kreditanfrage ohne eine Bonitatsprufung. Diese Angebote sind allerdings meist unserios und bauen darauf, dass Personen, welche auf der Suche nach Krediten ohne Bonitatsauskunft sind, dringend Geld brauchen. Eine Studie aus dem Jahr 2016 zeigte, dass Kredite, welche uber solche Anbieter vermittelt werden, einen Effektiven Jahreszins von bis zu 25 Prozent haben konnen⁴. In diesem Gewerbe entwickelte sich ebenfalls eine Betrugsmasche, bei welcher Verbrauer*innen getauscht werden. Mit Formulierungen wie „Antragsannahme“ und einer „Zahlungsaufforderung“, wird den Verbrauer*innen vermittelt das ihr Kredit in Bearbeitung ist. In den meisten Fallen kommt es allerdings nicht zu einer wirklichen Auszahlung des Kredits. Nur in 1 Prozent der Falle wird ein Kredit ausgezahlt. ( Im Test:„SCHUFA-freie “Kredite 2012, S. 4) Die geringe Auszahlung zeigt, dass die Klassifikationen durch die Scoringsysteme einen ausschlieftenden Charakter besitzen. Scoringanbieter*innen hingegen verweisen darauf, dass durch ihre Leistungen der Kreditmarkt fur mehr Personen zuganglicher gemacht wird (Robert B. Avery et al. 2009, S. 519).

In den USA entwickelte sich ein Sektor der ,alternativ financial services'. Diese Dienstleister bieten ahnlich wie in Deutschland Personen, welche als nicht Kreditwurdig genug klassifiziert wurden, Angebote die diese Faktoren nicht mit berucksichtigen. Das nicht Berucksichtigen des FICO-Scores bei der Aufnahme eines Kredites wird durch hohere Zinssatze und schlechtere Konditionen, wie einer verlangerten Vertragsdauer, ausgeglichen. (Fourcade und Healy 2013, S. 566)

Obwohl Dienstleister*innen Kredite scheinbar ohne Berucksichtigung des Kreditscores anbieten, agieren diese langst nicht aufterhalb des Klassifikationssystems. Vielmehr wird dieses System so erweitert. Die Angebote sind speziell auf die Gruppe der schlecht Klassifizierten ausgelegt. Personen, die ohne diese Dienstleister keinen Kredit bekommen hatten, bekommen so auf einem anderen Weg die Moglichkeit in diesem System zu interagieren, welches sie davor als nicht kreditwurdig eingestuft hat.

3.6 FehLeranfaLLigkeit von Kreditscores

Der Kreditscore stellt eine abstrakte Grofte dar. Er wird erst durch verschiedene Formeln und vorhandene Daten errechnet. Es kann zu Fehlern in der Berechnung des Scores kommen, wenn die Daten inkorrekt sind oder wenn selbst mit vorhandenen Informationen ein Fehler bei der Berechnung entsteht. (Maureen Mahoney 2014, S. 7)

Grunde fur die Fehleranfalligkeit von Scores konnen unterschiedlich sein. Fehlende oder falsche Angaben konnen so den Score beeinflussen, indem beispielsweise ein abgezahlter Kredit nicht mit berucksichtig wird. Das Problem bei diesen Angaben ist, dass die Schufa und die FICO darauf angewiesen sind, dass ihre Vertragspartner*innen, von denen sie die Informationen beziehen, schnellstmoglich alle Informationen weiterleiten. Die Verbraucherzentrale Deutschland stellte fest, dass bei einer Stichprobe von 100 naturlichen Personen 54 Prozent der abgefragten Daten unvollstandig oder fehlerhaft waren⁵. (Dieter Korczak und Michael Wilken 2009, S. 14)

Doch gerade die Genauigkeit der Daten sollte die Grundlage der Bewertung sein. Denn ein Fehler kann zu einem schlechten Kreditscore fuhren. Einmal entstanden, hat dieser hat das Potential sich zu reproduzieren, denn eine Person mit einem schlechten Score bekommt schlechtere Konditionen. Es dauert langer ihre Schulden abzubezahlen. Der Score liegt zwar richtig in seiner Berechnung, aber ist jetzt nicht mehr nur Beobachter von bisherigen Zahlungsmustern, sondern beeinflusst diese auch aktiv mit.

Bei der FICO sind bei einer von funf Personen mangelnde oder fehlerhafte Daten vorhanden. Die haufigsten Fehler sind Informationen, die ihnen nicht gehoren oder unvollstandige Informationen. Es zeigt sich, dass vor allem Positivinformationen zu spat oder gar nicht aktualisiert werden. Knapp 5 Prozent der Personen aus der Erhebung wurden in eine schlechtere Kategorie eingeordnet, was zu unvorteilhafteren Kreditkonditionen fuhrt. (Maureen Mahoney 2014, S. 3)

Weiterhin kann auch die Menge der Vertragspartner*innen die vorliegenden Informationen limitieren. So besitz die Schufa nicht mit allen Kreditgebern einen Vertrag, welcher Aufschluss uber die laufenden Kredite gibt. Der KfW- Studienkredit und die Forderung durch das Bundesforderungsgesetz (BAfoG) stelle beide jeweils der Schufa keine Daten zu Verfugung. So konnen potenzielle Positiv- und Negativinformationen bei der Berechnung des Scores nicht mit einbezogen werden. (Bundesministerium fur Bildung und Forschung 2020)

Die Schufa und FICO weisen beide auf ihren Webseiten darauf hin, dass es allen Personen moglich ist die uber sie gespeicherten Informationen anzufragen. Falls die gespeicherten Informationen fehlerhaft sind, konne man sich direkt an die jeweilige Geschaftsstelle wenden um den Fehler zu beheben. Eine Studie aus den USA zeigte dass die Bearbeitungszeiten fur diese Bereinigungen stark variieren konnen. Bearbeiter*innen glauben in einigen Fallen den Betroffenen nicht oder leiten erst noch lange Prufungen ein. In einigen Fallen sind die fehlerhaften Daten noch bis zu sieben Monaten im FICO-Score enthalten und schranken so die Moglichkeiten der bewerteten Personen weiter ein. (Maureen Mahoney 2014, S. 9)

Dass die Informationskontrolle von den klassifizierten Personen selbst abhangt ist nicht vermeidbar. Da meist nur selbst die Personen mit Sicherheit sagen konnen ob ihre Daten in der Gesamtheit korrekt sind. Dass diese Informationskontrolle in beiden Landern nur einmal jahrlich kostenlos erfolgt, wahrend der Schufa Basisscore einmal im Quartal erneuert wird und der FICO- Score alle 45 bis 90 Tage zeigt, dass bei einer vollstandigen Kontrolle uber seine eigenen Daten eine gewisse Finanzkraft notig ist. ( FICO® Scores: How Often Do They Change? 2018; SCHUFA Holding AG 2021a)

4. Die kLassifizierte LebensweLt

Der berechnete Score, der fur eine Person generiert wurde, ist nun eine personliche Risikobewertung fur Kredite oder eine allgemeine Bewertung des okonomischen Verhaltens an sich.

In den USA fragten 2014 knapp 57 Prozent der Leute mindestens einmal im Jahr ihren FICO-Score ab. Dies ist im Vergleich zu Deutschland ein sehr hoher Wert. Nur knapp 12 Prozent der deutschen Bevolkerung konnten im Jahr 2007 sagen, dass sie wussten was Scoring ist und lediglich 14 Prozent hatten diesen Begriff bereits gehort. Es zeigt sich, dass das Bewusstsein der Scoring Praxis in Deutschland geringer ist als in den USA. (Dieter Korczak und Michael Wilken 2008, S. 12)

In Deutschland beschaftigen sich vor allem Personen, welche negative oder unvorteilhafte Erfahrungen aufgrund einer schlechten Schufa Auskunft hatten, mit ihren Scores. Da die haufigste Nutzung des Scores meist im Hintergrund stattfindet, sind sich viele Personen dessen nicht bewusst. (Dieter Korczak und Michael Wilken 2008, S. 12)

Ob beim Einkauf im Internet oder beim Abschluss eines Telekommunikationsvertrages. Bei all diesen Prozessen wird meist eine Auskunft uber die bestreffende Person eingeholt. Dies kann in manchen Fallen dazu fuhren, dass Vorkassenbestellung oder Ratenzahlung von Produkten und Waren nicht moglich ist (Schroder und Taeger 2014, S. 137).

4.1 Diskriminierung durch Scoring

Im Falle der Bewertung durch Kreditscores gibt es zwei Arten von Klassifizierten: Man kann entweder zu denjenigen gehoren, die einen wunschenswerten Kreditscore haben, oder aber man besitzt einen Kreditscore, der mehr Turen schlieftt, als dass er sie offnet. . Ein niedriger Kreditscore fuhrt zu schlechten Konditionen, auch aufterhalb des Kreditmarktes. (Jurgenmeyer und Krenn 2016, S. 105). Stromvertrage, Autoversicherungen und Mobilfunkvertrage, konnen auf Grundlage des Kreditscores schlechtere Konditionen beanstanden oder die Antragsanfragen komplett ablehnen (Schroder und Taeger 2014, S. 47). Der Kreditscore reproduziert nicht nur soziale Ungleichheit, sondern produziert sie vielmehr nun selbststandig. (Fourcade und Healy 2013, S. 562) Die sich verstarkende Performativitat zeigt sich darin, wie sehr schlechte Scores die Lebenswelt der Individuen beeinflussen konnen:

„Das Prinzip ist immer das gleiche: „Kunden mit schlechtem Score bekommen schlechte Konditionen. Sie zahlen hohere Zinsen fur Kredite, konnen Waren nur per Vorkasse bestellen oder werden als Kunden erst gar nicht akzeptiert. Dies ist nichts anderes als eine neue Form der Diskriminierung, die Menschen zu Opfern einer erhohten statistischen Wahrscheinlichkeit macht.“ (Dieter Korczak und Michael Wilken 2008, S. 25)

Der Score liegt zwar richtig in seiner Berechnung, aber ist jetzt nicht mehr nur Beobachter von bisherigen Zahlungsmustern, sondern beeinflusst diese auch aktiv mit. Gerade Personen mit niedrigem Einkommen und wenig Eigenkapital konnen bei einer finanziellen Schieflage schneller in die Ungunst des Kreditscores fallen. Denn der Algorithmus erkennt bisherige Versaumnisse in der Bezahlung und berechnet auf deren Grundlage die Wahrscheinlichkeit fur einen zukunftigen Zahlungsausfall. Die personlichen und einzelnen Grunde fur eine zu spat gezahlte Rechnung, flieften nicht mit in die Berechnung ein. Der Algorithmus verarbeitet nur die ihm bekannten Daten weiter ohne Rucksicht auf einzelne Biographien. (Marron 2009, S. 127)

Unter Diskriminierung versteht man die illegitime Ungleichbehandlung von Personen oder Personengruppen. Die Verwendung von Kreditscoresystemen folgt in seiner Logik der statistischen Diskriminierung. Dies ist die ungunstige Behandlung von Personen, die aus der Uberzeugung resultiert, dass Menschen in der Kategorie, der sie zugeordnet sind, mit grofterer Wahrscheinlichkeit negative Eigenschaften besitzen. In dieser Kategorie entspricht dies der zugeschriebenen negativen Eigenschaft eines unzuverlassigen Zahlungsverhaltens. (Heckmann 2015, S. 232; Daphne Chen und Dean Corbea 2013, S. 5)

Die Frage nach Illegitimitat scheint hier zentral zu sein. Die Scoringssystemanbieter*innen bemuhen sich immer wieder, darauf hinzuweisen, dass die Bewertung objektiv und fair ist.

Kreditscoringsysteme weisen darauf hin, dass die zur Bewertung benotigten Informationen individuell erhoben werden. Doch auch individuell erhobene Daten konnen dazu fuhren, dass sich gruppenspezifische unterschiede herausbilden konnen. Es zeigte sich, dass in den USA Personen mit einem hispanischen Hintergrund, die Voraussetzungen und Konditionen fur die Grundung eines Unternehmens, mit Hilfe eines Kredites, schlechter waren als die von nicht hispanischen Personen. (Marron 2007, S. 114)

Kreditscorings in den USA und in Deutschland ist es gesetzlich nicht erlaubt, Faktoren wie ethnische Herkunft oder das Geschlecht mit in die Bewertung einzubeziehen. Doch bei selbststandig lernenden Algorithmen ist nicht auszuschlieften, dass diese selber diskriminierende Faktoren und Logiken entwickeln. (Carmichael et al. 2016, S. 52; Cohen-Cole 2011, S. 707);

Doch auch unter Ausschluss von bestimmten Daten, konnen diskriminierende Faktoren erschaffen werden. Darunter fallt beispielsweise die Methode des „redlinings“ in den USA. Darunter versteht man das Kategorisieren von bestimmten Gegenden, auf welcher Basis unterschiedliche Services angeboten oder verwehrt werden. (Henderson et al. 2015, S. 461) Hier werden Wohngegenden stellvertretend fur eine Ethnie betrachtet. „Redlining“ wurde bereits 1970 von den US-amerikanischen Behorden verboten. Studien zeigen jedoch, dass es in einigen Fallen weiterhin signifikante Korrelationen zwischen der Ethnie und Wohngegenden gibt. (Cohen-Cole 2011, S. 705) In den USA liegt der FICO Kreditscore von Personen, die einer Minderheit angehoren, im Durchschnitt bei 616,10 Punkten. Der Durchschnitt von Personen ohne besondere Minderheitszugehorigkeit liegt im Vergleich dazu bei 738,53 Punkten. (Bernerth 2012, S. 244) An diesem Beispiel zeigt sich, dass sich gesellschaftliche Unterschiede durch Algorithmen reproduzieren. Die Algorithmen berucksichtigen Faktoren wie Ethnie und Geschlecht zwar nicht, jedoch die Variablen, welche mit ihnen im Zusammenhang stehen. Historisch gesehen hatten „People of Color“ es schwerer Kapital zu generieren (Young, JR 2011, S. 67). Doch ein personliches Kapital ist fur die Bewertung der einzelnen Person ein wichtiger Faktor, um schnell und unkompliziert finanzielle Schieflagen auszugleichen. Bereits fruher strukturell diskriminierten Personengruppen in den USA, sind es auch heute noch und ihre Chancen auf einen fairen Kredit sind ungleich verteilt. Der FICO-Score ist nicht der Grund fur die unterschiedliche Finanzkraft von Personen, kann es durch seine Bewertung spater aber werden, indem er die gesellschaftlichen Gegebenheiten reproduziert.

In Deutschland werden bei einer geringen Informationsmenge von der Schufa geo-soziale Daten fur eine Auswertung benutzt. Unter geo-sozialen Daten versteht man die Bewertung von Wohngegenden unter dem Aspekt des in ihnen ublichen okonomischen Verhaltens. Die Schufa besitzt ausreichend Informationen, um fur bestimmte Regionen Risikowahrscheinlichkeiten anzugeben. (SCHUFA Holding AG 2017)

4.2 Die Moralisierung des Kreditscores

Kreditscores versprachen in ihrer Anfangszeit eine faire und objektive Bewertung, welche losgelost von Diskriminierung vorgenommen wird. Durch die Depersonalisierung des Prozesses und der damit einhergehenden Benutzung von Algorithmen wollte man Vorurteilen der ansassigen Kreditgeber*innen zuvorkommen. Zahlen sollten eine objektive Basis fur die Vergabe von Krediten bilden. (Pasquale 2015, S. 23)

Befurworter*innen von Scoring-Systemen argumentieren entsprechend, dass die Kreditwurdigkeit eine Variable geworden zu sein scheint, die fair bewertet. Geht man also davon aus, dass Kreditscores objektiv sind und eine faire Klassifizierung generieren, ist eine Bewertung mit einem hoheren Risiko ein Resultat seiner eigenen Handlungen. Diese Bewertung hat man sich verdient. Frei nach dem Motto: „Jede*r ist des eigenen Kreditscores Schmied.“ Jede*r kann dieser Auffassung zufolge den eigenen Kreditscore zum Positiven oder Negativen beeinflussen.

Eine Annahme uber den Grund, warum Personen wie Vermieter*innen oder Arbeitgeber*innen eine Auskunft uber die Kreditwurdigkeit haben wollen ist, dass sie mit Maft des Kreditscores bestimmte Charaktereigenschaften in Verbindung bringen. Jemand mit einem guten Schufa-Score wird so bestimmt seine Miete punktlich bezahlen. (Nagel 2013, S. 10)

Die jeweiligen Klassifikationen besitzen unterschiedlich viel Sozialprestige. Personen mit einem geringeren Kreditscore werden eher weitere negative Eigenschaften zugeschrieben, als Personen mit einem hoheren Score. (Neckel 2003, S. 161) Die individuelle Bewertung der Personen fuhrt zu einer weiteren Aufspaltung der Klassifikationen die erst einer Interpretation durch die Nutzer*innen bedarf. So kann fur eine Person ein FICO-Score von 600 Punkten ausreichend sein um eine Wohnung zu vermieten, fur eine weitere wiederum schon nicht mehr.

Der Kreditscore verfugt uber einen Signalwert, der nicht nur wirtschaftlicher, sondern auch sozialer Natur ist. Es wird nicht nur die eigene Position auf dem Markt damit angezeigt, sondern auch eine soziale Position im gesellschaftlichen Gefuge. (Mau 2018, S. 114) Denn auch Markte sind soziale Strukturen, auch wenn diese auf den ersten Blick rein okonomische Natur erscheinen. Die Klassifikation ist nicht nur eine wirtschaftliche, sondern daruber hinaus auch eine soziale. Reproduzieren sich also die wirtschaftlichen Klassifikationen innerhalb des Marktes durch deren Scoringmechanismen, so reproduzieren sich auch die sozialen Klassifikationen welche mit ihnen verknupft sind.

4.3 „Off-Label Use“ von Kreditscores

Kreditscores beeinflussen nicht nur das wirtschaftliche Gefuge, sondern auch die soziale Lebenswelt der Personen. Grund hierfur ist, dass die Akteur*innen diesen Scores eine zutreffende Aussagekraft zuschreiben. Wird die Aussagekraft von Kreditscores aufterhalb von Kreditvergabeverfahren genutzt dringen dessen Klassifikationsmechanismen in weitere Bereiche des Lebens vor. Darunter versteht man den sogenannten „Off-Label Use“.

Akos Rona-Tas (2017) definiert in seinem Text den Begriff „Off-Label Use“. Dieser bezeichnet die Benutzung von Instrumenten, Algorithmen oder anderen Dingen, losgelost von dem eigentlichen intentionierten Zweck.⁶

Neben Banken sind die groftten Hauptnutzer*innengruppen der Schufa Handelsfirmen im Internet, Telekommunikationsdienstleister*innen und Energieversorger*innen. Diese benutzen Kreditscores nicht nur fur die Abwagung und Einschatzung eines individualisierten Kreditangebotes, sondern benutzen diese Daten auch fur Dienstleistungen und Angebote, welche nicht im Zusammenhang mit der Vergabe von Krediten bestehen. (Schroder und Taeger 2014, S. 25) Ein Mobilfunknetzvertrag zu schlechteren Konditionen oder sogar das Verweigern eines Vertrages sind Auswirkungen von Kreditscores, welche zweckentfremdet wurden. In den USA werden auch bei Versicherungen und Autovermietungen haufig der Kreditscore der antragstellenden Person abgefragt. (Akos Rona-Tas, S. 66)

Zwei Probleme des „Off-Label Use“ sind laut Rona-Tas die potenzielle Fehlerweitergabe und die sich verstarkende Performativitat. Kommt es zu Fehlern bei der Erstellung des Kreditscores, kann sich dies auch auf andere Lebensbereiche auswirken (Akos Rona-Tas, S. 62).

Im Staat New York wurde eine Gesetz verabschiedet, welches die Nutzung von Kreditscores aufterhalb von Kreditvergabeverfahren in weiteren Bereichen reguliert und einschrankt ( Credit Check Law: For Employees - CCHR 2021). Es hauften sich Falle von Firmen die bei einer Bewerbung uber den jeweiligen FICO- Score der Anwarter*innen Auskunft verlangten. Knapp 60 Prozent der Firmen verlangten eine Auskunft der Bewerber*innen. (Akos Rona-Tas, S. 67)

Eine der bekanntesten zweckentfremdenden Nutzung von Kreditscores in Deutschland ist die Abfrage der Schufa-Auskunft bei der Wohnungssuche. Bei Bewerbungsprozessen auf Wohnungen kommt es immer haufiger dazu, dass potenzielle Mieter*innen ihre Schufa-Auskunft vorlegen mussen. (Nagel 2013, S. 10)

Die Nutzung des Kreditscores aufterhalb der Kreditvergabe hangt damit zusammen, dass er nicht mehr nur eine Position auf dem Kreditmarkt ausweist sondern vielmehr auch eine soziale Position bestimmt. Bei der Befragung amerikanischer Firmen dazu, warum sie eine Kreditscore-Prufung der Bewerber*innen verlangten, gaben knapp 54 Prozent der Firmen an, dass sie die Wahrscheinlichkeit von Diebstahl und Unterschlagung verhindern wollten (Daphne Chen und Dean Corbea 2013, S. 3). Der Score wird nicht mehr nur zur Prognose der Zahlungsmoral der einzelnen Personen genutzt, sondern angewandt, um ein Bild uber die allgemeine Moral einer Person zu gewinnen.

4.4 Die Konstruktion einer kreditwurdigen Identitat

Die Klassifizierten sind sich dem System, in welchem sie sich bewegen, inzwischen bewusst. In den USA bildeten sich Organisationen, die damit werben, Personen einen Einblick in die Generierung von Kreditscores zu gewahren und diesen mit bestimmten Verhaltensweisen zu beeinflussen (Kear 2017, S. 355). Wie im Kapitel 3.4 bereits dargelegt wurde, stellt eine Moglichkeit den FICO- Score zu beeinflussen das Generieren von Positiveintragen dar. Durch das bewusste Verandern der Kreditanzahl im Verhaltnis zu Kreditschulden. Ist die Kreditkartenanzahl gering und befinden sich die Schulden nicht uber viele Karten verteilt, kommt es zu einer besseren Bewertung durch den FICO-Score (Kear 2017, S. 348).

Personen, welche regelmaftig Zugriff auf ihren FICO-Score haben und sich uber ihn informieren, tendieren dazu einen besseren Score zu generieren als Personen, die dies nicht tun. Es kommt zu weniger verspateten Bezahlungen von Raten und anderen Rechnungen. Sie passen ihr Verhalten der vorhandenen Nummer des FICO-Scores an (Homonoff et al. 2019, S. 4).

In den Jahren vor der Subprime Krise in den USA etablierten sich Praktiken den FICO-Score aktiv zu erhohen. Man nennt dieses Vorgehen ,gaming the system'. Die FICO reagierte auf diese Praxis erst spat (Rona-Tas und Hift 2010, S. 117).

Auch in Deutschland sind sich Akteur*innen inzwischen bewusst, dass ihr Verhalten Einfluss auf ihren Schufa-Score nimmt. So raten Bankangestellte und andere Finanzdienstleister*innen dazu, statt einer Kreditanfrage zu, eine Kreditskonditionsanfrage zu stellen (Dieter Korczak und Michael Wilken 2008, S. 85). Eine Kreditanfrage wird an die Schufa weitergeleitet und fuhrt dazu, dass die Nachfrage fur die nachsten zwei Wochen sicher gespeichert wird. Andere Banken, die den Schufa-Score benutzen, haben somit Zugriff auf diese Information. Dies hat meist negative Auswirkungen auf kunftige Kreditkonditionen. (Landesbauftragte fur Datenschutz NRW 2020) Die Anfrage einer Kreditkondition allerdings, wird innerhalb der Banken und des Scoringsystems anders gehandhabt. So werden hier keine Daten gespeichert oder weitergeitet und es kommt zu keinem negativen Eintrag im Schufaverzeichniss.

Warum eine Kreditanfrage Einfluss auf den Schufa-Score hat, ist nicht bekannt. Da nach eigenen Angaben die Anfrage eines Kredites unter die Kategorie „neutrale“ Eintrage fallt.

Viele Akteur*innen sind sich bewusst, dass ihr Verhalten analysiert und bewertet wird. Interessant hierbei ist, dass die Bewertungsmechanismen den Individuen nur grob bekannt sind.

5. Die undurchsichtige KLassifikationsmacht

Die Klassifikation durch Kreditscores stellt einen Mechanismus dar, welcher zu Zeiten von Karl Marx und Max Weber noch unvorstellbar war. Die Klassen und Stande werden nicht mehr nur von naturlichen Personen definiert, bestimmt und produziert. Die Zugehorigkeit zu einer Klasse wird nun auch durch automatisierte Algorithmen getroffen. Die Klassifikation findet in einer nicht einsehbaren Black Box statt. (Pasquale 2015, S. 15) Der Begriff der Black Box beschreibt einen Abschnitt innerhalb einer Systembetrachtung, bei welcher nur Input und Output beobachtet werden konnen. Die Prozesse innerhalb der Black Box sind nicht beobachtbar. (Eubanks 2018, S. 240)

In groften Teilen ist nachvollziehbar, welche Informationen den Kreditscores als Input zur Verfugung stehen. Es ist hierbei jedoch unklar, welche Informationen genutzt und wie diese weiterverarbeitet werden. Erst der Output, in diesem Fall die Klassifizierung der Kreditwurdigkeit, ist wieder beobachtbar. (Pasquale 2015, S. 15)

Diese Black Box der Klassifizierung hat mehrere Ursachen. Zum einen sind die Klassifikationsalgorithmen und damit auch ihre Mechanismen Eigentum von Privatunternehmen, welche hierdurch ihren Gewinn erwirtschaften. Zum anderen argumentieren Kreditgeber*innen und Klassifizierer*innen, dass die Prognosefahigkeit der Kreditscores abnehmen wurde, wenn die zu Klassifizierenden die Mechanismen ihrer Bewertung kennen wurden. (Stefanie Hift und Akos Rona-Tas 2008, S. 6)

Es entsteht ein Informationsungleichgewicht zwischen den klassifizierten Personen und denn Klassifizier*innen. Nur wenige Personen und Institutionen wissen genau, wie sich der Kreditscore der FICO und Schufa zusammensetzt. Die klassifizierten Personen konnen versuchen mit den vergleichsweise geringen Informationen, die ihnen zu Verfugung stehen, nachzuvollziehen wie der Score generiert wurde:

„Scoring is just comprehensible enough to look like a fair game. But it's opaque enough that only insiders really know the rules. FICO and the credit bureaus promote their systems as models of fairness, but justify them with generalities.“ (Pasquale 2015, S. 24)

Dass diese Klassifikationsmacht undurchsichtig ist, fuhrt dazu, dass nur wenige Personen wissen, wie sich der Score zusammensetzt. Viele deutsche Banken benutzen den Schufa Basisscore als Grundlage fur ihr individuelles Angebot. Doch die Bankmitarbeiter*innen konnen meist selbst nicht nachvollziehen wie die Kreditkonditionen generiert werden. Die Schufadaten werden abgefragt und die Konditionen anschlieftend automatisch generiert. (Dieter Korczak und Michael Wilken 2008, S. 79) Die Angestellten haben in vielen Fallen kein Verstandnis von der Generierung des Angebotes und des Scores. Die Entscheidung der Konditionsvergabe wird ihnen abgenommen, da sie automatisiert und depersonalisiert wurde. Die Depersonalisierung des Kreditvergabeverfahrens zeigt sich am Beispiel der Bearbeitung durch einen Bankmitarbeiter:

„Das macht alles der Computer, das brauchen wir eigentlich nicht wissen.“ (Dieter Korczak und Michael Wilken 2008, S. 146)

Das Scoring ist also ein undurchsichtiges Geschehen. Banken arbeiten mit diesen Zahlen, konnen allerdings nicht nachvollziehen wie diese zu Stande kommen. Es gibt Vorfalle bei denen Bankberater*innen erklaren, den Kund*innen erklaren, dass aufgrund von Kreditscores nur bestimmte Konditionen anbieten konnen. Dabei wissen die Bankmitarbeiter*innen haufig selber nicht wie dieser Score konkret genutzt wird und wie dieser sich zusammensetzt (Dieter Korczak und Michael Wilken 2008, S. 80).

Doch nicht nur Nutzer*innen von Kreditscores innerhalb des Finanzmarktes sehen sich mit der Undurchsichtigkeit konfrontiert. Wie im Kapitel „Off- Label Use“ deutlich geworden ist, benutzen viele Akteur*innen die Kreditscores ohne zu verstehen wie diese generiert werden. Der Glaube das die eine Aussagekraft haben die uber die Kreditwurdigkeit geht ermoglicht erst die Anwendung aufterhalb des Finanzmarktes.

Kreditscores und ihre damit einhergehende Klassifizierung zeigen eine Entwicklung, in welcher Klassen durch Klassifizierungen ersetzt werden. Die Prozesse der Klassifizierung sind schnelllebiger und undurchsichtiger als das herkommliche Verstandnis von Klassen, wie bei Marx (Fourcade und Healy 2013, S. 566).

6. Fazit und AusbLick

Kredit-Scoring ist ein Verfahren, welches im Zuge der einhaltenden Finanzialisierung eine bleibende Grofte in der Gesellschaft geworden ist. Die Praktik des Scorings wird nicht nur in den USA und Deutschland angewandt, sondern auch in vielen anderen Landern, in denen Personen Kredite beantragen konnen.

Die exemplarische Betrachtung der Schufa Holding AG und der Fair Isaac Company zeigt Gemeinsamkeiten und Unterschiede auf, welche neue Felder fur die Diskussion der Klassifikationssituationen eroffnen.

Die USA und Deutschland unterscheiden sich in der Betrachtung von Krediten. So werden in den USA mehr Konsumkredite und Hypotheken aufgenommen als in Deutschland. In der Bundesrepublik hingegen greift ein grofter Teil der Bevolkerung auf Girokonten zuruck. Kreditkarten hingegen sind ein weniger ubliches Zahlungsmittel sind. Doch in beiden Landern ist Kreditscoring kein Randphanomen, welches nur Leute kennen, die einen Kredit aufnehmen wollen. Es ist vielmehr zu einem Bewertungsmechanismus geworden, der in verschiedenen Lebensbereichen Anwendung findet.

Wie die Scores genau generiert werden ist auch im Verlauf dieser Arbeit nicht in der Ganze klar geworden. Die Berechnung der amerikanischen Firma FICO und ihre genutzten Daten lassen sich in einigen Aspekten nachvollziehen. Es wird versucht den klassifizierten Individuen zu zeigen, wie ihre Scores beeinflusst werden. Die Angaben daruber welche Daten wie stark genutzt werden bietet zumindest eine Teiltransparenz.

Aufgrund des intransparenten Umgangs der Schufa mit ihrem Scoring-System, ist es fur die Klassifizierten in Deutschland schwieriger die Mechanismen der Klassifizierung nachzuvollziehen und sich uber diese zu informieren Zwar wird offengelegt, welche Daten genutzt und gespeichert werden konnen doch die genaue Zusammensetzung des Scores bleibt Firmengeheimnis der Schufa Holding AG. ⁷

Zwar unterscheiden sich die USA und Deutschland bezuglich der Verwendung von Krediten, doch in beiden Landern scheint Kredit-Scoring in vielen Lebensbereichen bereits eine allgemeine Anwendung zu erfahren. Die Zweckentfremdung des Kreditscores stellt bereits fur beide Lander ein Phanomen dar, welches nicht alleinig mit der Nutzung von Krediten einhergeht.

Der „Off-label Use“ von Kreditscores ist in den USA ein Thema, welches vermehrt untersucht wurde. In Deutschland gibt es nur wenige Daten uber die Nutzung von Schufa Auskunften aufterhalb des Kreditmarktes. Der Wohnungsmarkt ist hierbei zu einem der wenigen Markte geworden, bei welchem sich ein breiteres Bewusstsein bei Mieter*innen uber das Kreditscoring System entwickelt hat.

In dieser Ausarbeitung konnte dargestellt werden, dass vor allem das Argument des Firmengeheimnisses eine Hurde zum Nachvollziehen der Klassifikationen ist. Besonders da die Schufa Holding AG wenig Daten uber die Generierung oder die Verteilung ihres Scores bekannt gibt.

Auf der Seite der Klassifizierten zeigt sich, dass die Nutzung von Kreditscores und deren Auswirkungen sich nicht nur auf Kredite und finanzielle Angelegenheiten beschranken. Der Score produziert daruber hinaus die soziale Position der verschiedenen Individuen.

Bewertungs- und Klassifikationsmechanismen haben kumulative Effekte. Erfolge und positive Ereignisse machen so weitere Erfolge wahrscheinlicher. ,Success breeds sucess'. (DiPrete und Eirich 2006, S. 263) Da die erhoben Daten sich auf bisheriges Zahlungsverhalten und okonomische Kraft konzentrieren, ist die Verstarkung von ungleichen Chancen nicht als Moglichkeit von der Hand zu weisen. (Mau 2018, S. 277)

Die ungleichen Chancen von Akteur*innen auf dem Finanzmarkt verbleiben allerdings nicht mehr nur innerhalb dieses Marktes. Durch die Nutzung der Scores aufterhalb des Finanzmarktes, reproduzieren und verfestigen sich die Lebenschancen auch in anderen Bereichen, wie dem Wohnungsmarkt oder der Jobsuche. Grunde hierfur sind die Akzeptanz und der Glaube an die Genauigkeit der Kreditscores.

Diese Arbeit liefert einen Ausblick fur kommende Recherchen im Bereich des Kreditscoring und dessen Anwendungen.

Weitere Studien uber die Auswirkungen von Scoringmechanismen sind fur ein weitergehendes Verstandnis notig. Denn wie am Beispiel von Kredit-Scoring zu sehen ist, besitzen diese Klassifikationsmechanismen viele Moglichkeiten die gesellschaftliche Realitat nicht nur abzubilden, sondern sie viel mehr zu erzeugen.

Firmen, die Algorithmen benutzen um Scorings zu generieren, verfugen uber grofte Datenmengen. Diese wandeln sie dann in interpretierbare Zahlen um. Haufig ist davon die Rede, dass die Berechnung des Risikos umso genauer wird, je grofter die Datenmenge ist. Auch den Verbraucher*innen wird suggeriert, dass ihre Chancen auf dem Markt besser werden, wenn sie sich nur transparenter geben. Welche Rolle die zunehmende Datafizierung aller Lebensbereiche auf die Generierung von Kreditscores oder auch anderen Scores hat, zeigt sich bereits an sozialen Scoringsystemen in China.

Diskussionen innerhalb der Kreditbranche streben an, immer groftere Datenmengen mit in ihre Berechnungen einflieften zu lassen. (Aitken 2017, S. 280) Firmen zeigen Vorschlage bei denen die Kund*innen ihre generierten Daten selbst zur Verfugung stellen. Daten aus dem Internetverkehr oder auch die Ubertragung von Standortdaten sind Teil dieser Informationsoffensive. Diese Daten sollen durch bessere und intelligentere Algorithmen noch genauer werden. Moglichst viele Branchen sollen spezifische Scores generieren und diese nutzen. Bei der Generierung von kreditbezogen, aber auch anderen Scores wird in Zukunft auch der Aspekt von Big Data eine entscheidende Rolle spielen. Informationen uber Personen sind heute viel wert und werden von Firmen gehandelt. Wie diese Datenmengen in Zukunft organisiert und interpretiert werden, ist eine zu beobachtende Grofte.

Kreditscores sind ein Klassifikationsmechanismus, welcher bereits einen breiten Anwendungsbereich erfahrt. Doch Scorings werden ebenfalls in anderen Bereichen eingesetzt oder sollen eingesetzt werden. Hierbei kann es um die Quantifizierung des Gesundheitsstatus oder, wie in der Volksrepublik China, eine Einschatzung des gesamten sozialen Charakters gehen. Die Moglichkeiten der Bewertung durch scheinbar objektive und faire Algorithmen sind groft.

Ende November 2020 stellte die Schufa in Deutschland einen neuen Faktor fur die Berechnung ihres Kreditscores vor. Privatkunden soll es nun auch moglich sein, freiwillig ihre Bankkonten mit allen Kontobewegungen und den Kontostand mit in ihre Kreditscoreberechnung einzubeziehen. Laut Angaben der Schufa wolle man Personen mit einem hohen Risiko so die Moglichkeit geben, ihre Kreditwurdigkeit zu verbessern. (Massimo Bognanni 2020). Datenschutzer*innen kritisieren hingegen, dass sensible Daten aus den Kontoauszugen entnommen werden. So waren Ruckschlusse auf personliche Lebensumstande moglich wie beispielsweise die in Anspruchnahme einer psychotherapeutischen Behandlung oder das Konsumverhalten. So startete die Burger*innenbewegung campact! eine Petition gegen die geplanten Neuerungen (Campact 2021).

Wie weitgehen der Eingriff in die Privatsphare von Burger*innen durch Scoringsysteme sein kann, zeigt das „social Credit“ System in China. Die Auswirkungen des Scorings in China scheinen fur andere Staaten nicht denkbar zu sein, doch die Zweckentfremdung und Akzeptanz von Kredit-Scorings in anderen Lebensbereichen zeigt, dass auch eine Bewertung des Sozialen durch Algorithmen Teil der Lebensrealitat geworden ist.

Die Beobachtung in welchem Mafte in Deutschland die Schufa-Auskunft oder andere Kreditscores benutzt werden, ware ein weiteres Feld welches empirischer Forschung bedarf.

7. Tabellenverzeichnis

Tabelle 1 Faktoren zur Berechnung des FICO-Scores (Martin 2019)

Tabelle 2: FICO-Score (Martin 2019)

Tabelle 3 Bewertung des SCHUFA-Basisscores (SCHUFA Holding AG)

8. Literatur

Abels, Heinz. 2009. Einfuhrung in die Soziologie. Der Blick auf die Gesellschaft. 4. Aufl. Wiesbaden: Springer VS.

Aitken, Rob. 2017. 'All data is credit data': Constituting the unbanked. Competition & Change 21:274-300.

Akos Rona-Tas. The Off-Label Use of Consumer Credit Ratings. In Historical Social Research / Historische Sozialforschung , 52-76.

Bernerth, Jeremy B. 2012. Demographic Variables and Credit Scores: An empirical study of a controversial selection tool. International Journal of Selection and Assessment 20:242-246.

Blochlinger, Andreas, und Markus Leippold. 2006. Economic benefit of powerful credit scoring. Journal of banking & finance 30:851-873.

Bubb, Ryan, und Alex Kaufman. 2014. Securitization and moral hazard. Evidence from credit score cutoff rules/ Ryan Bubb; Alex Kaufman. Journal of monetary economics 63 (2014):1-18.

Bundesministerium fur Bildung und Forschung. 2020. Darlehensruckzahlung - BAfoG. https://www.xn--bafg-7qa.de/de/darlehensrueckzahlung-200.php (Zugegriffen: 13. Januar 2021).

Campact. 2021. Teilnehmen - Fiese Schufa-Tricks stoppen - Campact. https://aktion.campact.de/schufa- tricks/appell/teilnehmen?utm_medium=email&utm_source=campact_mailing &utm_campaign=20210108-hv-as-schufa-8-uhr&utm_content=variation- a&utm_term=link1 (Zugegriffen: 14. Januar 2021).

Carmichael, Laura, Sophie Stalla-Bourdillon und Steffen Staab. 2016. Data Mining and Automated Discrimination: A Mixed Legal/Technical Perspective. IEEE Intelligent Systems 31:51-55.

Cohen-Cole, Ethan. 2011. Credit card redlining. The Review of Economics and Statistics 93:700-713. 2021. Credit Check Law: For Employees - CCHR. https://www1.nyc.gov/site/cchr/media/credit-check-law-for-employees.page (Zugegriffen: 14. Januar 2021).

Daphne Chen, und Dean Corbea. 2013. Can employer credit checks create poverty traps?

Dieter Korczak, und Michael Wilken. 2008. Scoring im Praxistest. Aussagekraft und Anwendung von Scoringverfahren in der Kreditvergabe und Schlussfolgerungen.

Dieter Korczak, und Michael Wilken. 2009. Verbraucherinformation Scoring. Bericht im Auftrag des Bundesminesteriums fur Ernahrung, Landwirtschaft und Verbraucherschutz.

DiPrete, Thomas A., und Gregory M. Eirich. 2006. Cumulative Advantage as a Mechanism for Inequality: A Review of Theoretical and Empirical Developments. Annual Review of Sociology 32:271-297.

Eubanks, Virginia. 2018. Automating inequality. How high-tech tools profile, police, and punish the poor . First edition. New York: St. Martin's Press.

2018. FICO® Scores: How Often Do They Change? https://www.myfico.com/credit-education/blog/fico-scores-often-change (Zugegriffen: 13. Januar 2021).

Fourcade, Marion, und Kieran Healy. 2013. Classification situations: Life­chances in the neoliberal era. Accounting, Organizations and Society 38:559-572.

Fourcade, Marion, und Kieran Healy. 2016. Seeing like a market. Socio­Economic Review 15:mww033.

Fuchs-Heinritz, Werner, und Eva Barlosius, Hrsg. 2007. Lexikon zur Soziologie . 4., grundlegend uberarb. Aufl. Wiesbaden: VS Verl. fur Sozialwiss.

Heckmann, Friedrich. 2015. Barrieren der Integration: Diskriminierung. In Integration von Migranten , Hrsg. Friedrich Heckmann, 231-243. Wiesbaden: Springer Fachmedien Wiesbaden.

Henderson, Loren, Cedric Herring, Hayward D. Horton und Melvin Thomas. 2015. Credit Where Credit is Due?: Race, Gender, and Discrimination in the Credit Scores of Business Startups. The Review of Black Political Economy 42:459-479.

Homonoff, Tatiana, Rourke O'Brien und Abigail B. Sussman. 2019. Does Knowing Your FICO Score Change Financial Behavior? Evidence from a Field Experiment with Student Loan Borrowers. The Review of Economics and Statistics: 1-45. 2012. Im Test:„SCHUFA-freie “Kredite .

Jurgenmeyer, Julian, und Karoline Krenn. 2016. Classification Situations : A New Field of Research for Valuation Studies? Valuation Studies 4:177-189.

Kear, Mark. 2017. Playing the credit score game: algorithms, ‘positive' data and the personification of financial objects. Economy and Society 46:346-368.

Krenn, Karoline. 2017. Markets and Classifications - Constructing Market Orders in the Digital Age: An Introduction. Historical Social Research 42:7­22.

Landesbauftragte fur Datenschutz NRW. 2020. Banken durfen Kreditsuchende nicht durch Falschmeldungen an die SCHUFA schadigen. https://www.ldi.nrw.de/mainmenu_Service/submenu_Newsarchiv/Inhalt/Bank en_duerfen_Kreditsuchende_nicht_durch_Falschmeldungen_an_die_SCHU FA_schaedigen/Banken_d__rfen_Kreditsuchende_nicht_durch_Falschmeld ungen_an_die_SCHUFA_sch__digen.php (Zugegriffen: 12. November 2020).

Marron, Donncha. 2007. ‘Lending by numbers': credit scoring and the constitution of risk within American consumer credit. Economy and Society 36:103-133.

Marron, Donncha. 2009. Consumer credit in the United States. A sociological perspective from the 19th century to the present . 1. ed. New York, NY: Palgrave Macmillan.

Martin, Asia. 2019. FICO Score Facts You Probably Didn't Know. Forbes .

Massimo Bognanni. 2020. Tagesschau Massive Kritik an Schufa-Planen. https://www.tagesschau.de/investigativ/ndr-wdr/schufa-115.html (Zugegriffen: 27. November 2020).

Mau, Steffen. 2018. Das metrische Wir. Uber die Quantifizierung des Sozialen, Band 10273. Sonderausgabe fur die Bundeszentrale fur politische Bildung. Bonn: Bundeszentrale fur politische Bildung.

Maureen Mahoney. 2014. Errors and gotchas: How credit report errors and unreliable credit scores hurt consumers .

Nagel, Stephan. 2013. Neue Wohnungsnot und die Zuganglichkeit des Wohnungsbestandes fur Wohnungslose. Wohnungslos : Aktuelles aus Theorie und Praxis zur Armut und Wohnungslosigkeit 55:71-76.

Neckel, Sighard. 2003. Kampf um die Zugehorigkeit. Die Macht der Klassifikation. Leviathan <Baden-Baden> 31:159-167.

Pasquale, Frank. 2015. The black box society. The secret algorithms that control money and information . Cambridge: Harvard University Press.

Robert B. Avery, Kenneth P. Brevoort und Glenn B. Canner. 2009. Credit Scoring and Its Effects on the Availability and Affordability of Credit. Journal of Consumer Affairs 43:516-537.

Rona-Tas, Akos, und Stefanie Hift. 2010. The role of ratings in the subprime mortgage crisis. The art of corporate and the science of consumer credit rating. In Markets on trial , 115-155. Bingley [u.a.]: Emerald.

Schroder, Michael, und Jurgen Taeger, Hrsg. 2014. Scoring im Fokus. Okonomische Bedeutung und rechtliche Rahmenbedingungen im internationalen Vergleich . Oldenburg: BIS-Verl. der Carl von Ossietzky Univ. Oldenburg.

Schufa. 2021. Schufa - Kooperation zwischen der SCHUFA und der Universitat Tubingen. https://www.schufa.de/themenportal/detailseite/themenportal- detailseite.10368.jsp (Zugegriffen: 14. Januar 2021).

SCHUFA Holding AG. Schufa FAQ. https://www.schufa.de/faq/privatpersonen/scoring/ (Zugegriffen: 27. November 2020).

SCHUFA Holding AG. 2021a. Wie funktioniert Scoring bei der SCHUFA? https://www.schufa.de/ueber-uns/daten-scoring/scoring/scoring-schufa/ (Zugegriffen: 11. Januar 2021).

SCHUFA Holding AG. 2021b. Geschichte der SCHUFA. https://www.schufa.de/ueber-uns/unternehmen/geschichte-schufa/ (Zugegriffen: 14. Januar 2021).

2017. SCHUFA Kredit-Kompass 2017. 90 Jahre SCHUFA-Finanzverhalten - Gestern. Heute. Morgen . Frankfurt: Frankfurt Business Media.

Sommer, Rainer. 2012. Die Subprime-Krise in den Vereinigten Staaten | bpb. Bundeszentrale fur politische Bildung .

Staff, The A. 2020. Here's What Americans' FICO® Scores Look Like -- How Do You Compare? The Motley Fool .

Stefanie Hift, und Akos Rona-Tas. 2008. Consumer and corporate credit ratings and the subprime crisis in the US with some lessons for Germany .

Thomas, Lyn C., David B. Edelman und Jonathan N. Crook. 2017. Credit scoring and its applications . Second edition. Philadelphia: Society for Industrial and Applied Mathematics.

Young, Alford A., JR. 2011. The Minds of Marginalized Black Men. Making Sense of Mobility, Opportunity, and Future Life Chances . Princeton: Princeton University Press.

[...]

---

¹ Die SCHUFA bekam vom Bundesgerichtshof die Bestatigung, dass sie ihren Algorithmus zur Risikoermittlung nicht bekannt machen muss. Die Veroffentlichung konne die Integritat und Marktfairheit schadigen. Daher bleiben die Algorithmen Betriebsgeheimnis der Unternehmen (SCHUFA Holding AG 2020)

² Die Supbprime-Krise stellte den Beginn fur die weltweite Finanzkrise zwischen 2008 und 2009 dar.

³Diese Personen wurde spater unter Bezeichnung Ninjas gefuhrt „No Income, no job, no Assets“ (Sommer (2012).

⁴ So hohe Zinsen sind fur die Vergabe von Krediten sehr ungewohnlich.

⁵ Da die Stichprobe nur aus 100 Personen besteht, musste man fur eine aussagekraftigere Verteilung eine groBere Stichprobe untersuchen. Allerdings stellt die Schufa selbst keine Daten uber ihre Fehlerquote zur Verfugung.

⁶ Ein Begriff, der ursprunglich aus der Pharmazie kommt und die Zweckentfremdung von Medikamenten beschreibt. (Akos Rona-Tas 2017)

⁷ Die Schufa nennt als einen der , fur die Geheimhaltung, die Subprime-Krise in den USA und das Personen durch Kenntnis des Systems in der Lage waren das System auszunutzen und seine Prognosefahigkeit zu verringern.( Rona-Tas und HiB (2010).)

• Hochschule: Martin-Luther-Universität Halle-Wittenberg (Institut für Soziologie)
• Note: 1,7
• Autor: Lena Binzer (Autor:in)
• Erscheinungsjahr: 2021
• Seiten: 37
• Katalognummer: V1240019
• ISBN (PDF): 9783346662842
• ISBN (Buch): 9783346662859
• Sprache: Deutsch
• Schlagworte: kreditscores, klassifikationsprozesse, schufa, fair, isaac, company, fico