Die Deutsche Telekom Gruppe gehört zu den weltweit führenden Unternehmen im Telekommunikationssektor, mit weltweit 106,4 Millionen Kunden über den Unternehmensbereich T-Mobile, davon 33,2 Millionen in Deutschland. Mit 10 Millionen Breitband-Kunden und 33,2 Millionen Festnetzkunden in Deutschland erzielte die Gruppe als Ganzes im Jahr 2006 einen Gesamtertrag von €61,3 Milliarden.

Die SAF ist ein Unternehmensverbund von T-Systems, der Geschäftskundensparte der Deutschen Telekom. Das Unternehmen bietet eine Reihe von Services im Bereich des Risiko- und Forderungsmanagements sowie Auskunftei-Dienstleistungen für zahlreiche wichtige Kunden in Deutschland an, darunter die T-Gruppe, ein großer deutscher Energiekonzern sowie mehrere überregionale Kreditinstitute. Mit zehn Millionen Bonitätsprüfungen, zwei Millionen übergebener Inkassofälle sowie zwei Millionen durchgeführter Adressermittlungen jährlich gehört die Unternehmensgruppe zu den Top 3 der Branche in Deutschland.

Zu den von der SAF angebotenen Dienstleistungen gehören Adressüberprüfung, Bonitätsprüfung (B2C & B2B) sowie Scoring- und Inkassodienste. Insbesondere die Inkasso-Branche ist hoch profitabel und weiterhin im Wachstum begriffen, ungeachtet der starken Zergliederung des deutschen Inkassomarktes, der überwiegend automatisiert und IT-gesteuert ist. Aufgrund der hohen Margen und potenziellen Wachstumszahlen bleibt der Inkasso-Markt ein Sektor mit attraktiven Ertragsaussichten. Der Inkassoprozess selbst ist im Rahmen des SAF-Leistungsportfolios in den Geschäftsbereich Forderungsmanagement eingegliedert, mit dem die SAF derzeit 73% ihrer Erträge erzielt.

Die Situation in Deutschland ist durch eine erheblich gestiegene Zahl von Insolvenzen in weiten Teilen des letzten Jahrzehnts charakterisiert. Diese Entwicklung hat bei T-System zu der Überzeugung geführt, dass eine sorgfältige Kundenselektion der beste Weg ist, die richtigen Kunden zu finden. Durch Scoring, Bonitätsprüfung und die Überprüfung der Kundendaten haben wir die Möglichkeit, die 'richtigen' Kunden auszuwählen. Dabei wird unterschieden zwischen Kunden, bei denen eine Zahlung erwartet werden kann, Kunden, die potenziell mit der Zahlung in Verzug geraten, und echten 'Nicht-Kunden', wie beispielsweise als Kriminelle identifizierte Personen.

Bei dem traditionellen Scoring-Ansatz werden die bekannten persönlichen Negativinformationen verwendet. Beim Durchsuchen der Datenbank können dann Personen mit bekanntem Negativverhalten ermittelt werden. Typischerweise liegt der Anteil der als negativ bekannten Personen bei etwa 5-10%, für die restlichen 90-95% gibt es jedoch keine weiteren Differenzierungen hinsichtlich des Kreditrisikos.  Die Frage ist hier also, wie wir dieses Volumen von 90-95% reduzieren können, und wie die Potenziale und Risiken der Personen ohne negative Merkmale bewertet werden können.

Leider verfügt keine deutsche Kreditauskunftei über Datenquellen, die den gesamten Prozess einer 'Schuldnerkarriere' abbilden. Kunden mit ‘harten’ Negativmerkmalen (Gerichtsurteile oder Insolvenzlisten) werden zum größten Teil von allen Kreditauskunfteien identifiziert, es gibt jedoch erhebliche Unterschiede hinsichtlich der Aktualität dieser Daten. Nicht alle Kreditauskunfteien verfügen über eine automatische Anbindung an Amtsgerichte und/oder den Bundesanzeiger. Kunden mit ‘weichen’ und ‘mittleren’ Negativmerkmalen (außergerichtliche und/oder gerichtliche Inkassoverfahren) werden nicht von allen Auskunfteien ermittelt. Folglich können viele Auskunfteien die Anfragen nicht zu 100% beantworten.

Unsere Lösung für dieses Problem heißt SAFE – ein gemeinsames Projekt von SAF und Experian Decision Analytics. Wir können auf die Daten von 40 Millionen Festnetzkunden, 15 Millionen Mobilkunden, 70 Millionen Kunden von Telekommunikationsunternehmen, Energieversorgern, Banken und Versandhäusern zurückgreifen. Mit der Integration der Datenbank eines Kooperationspartners werden außerdem in naher Zukunft weitere 60 Millionen hinzukommen. Damit steht uns ein riesiger Pool an Personendaten, Daten zum individuellen Zahlungsverhalten, Negativdaten und wohnortbezogenen Daten zur Verfügung, deren Nutzung mit den derzeitigen Datenschutzgesetzen im Einklang steht.

Der SAFE Consumer Score wurde aus der Datenbank der SAF-Gruppe entwickelt, speziell anhand des Schuldnerregisters, der Inkassofälle, der Master-Daten, Zahlungsprotokolle und der Insolvenzdatenbank. Die Datenbank der SAF-Gruppe ist einzigartig, was die Abdeckung der deutschen Haushalte und die Vielfalt der Informationen betrifft. Sie enthält fast 40 Millionen einzelne Datensätze mit jeweils 100 Kriterien und erfasst 95% aller deutschen Straßen.

Der SAFE Consumer Score schließt die Informationslücke zwischen den als negativ bekannten Personen und Personen ohne negative Daten. Er quantifiziert das Kreditrisiko von Personen, über die keine Negativinformationen gespeichert sind.  Alle Kreditanfragen werden vollständig beantwortet; als Ergebnis gibt der SAFE Consumer Score auf der Grundlage dieser Informationen die Wahrscheinlichkeit des Zahlungsausfalls eines Kunden an.

SAF kann die Scoring Suite auch für Marketingzwecke einsetzen, sowie zur Risikobewertung im Neukundensegment, zur Unterstützung des internen Scores im Segment der bestehenden Kunden oder im Rahmen des Inkassoprozesses. Mit einem Benchmark-Test von Kreditauskunfteien hat Experian Decision Analytics versucht festzustellen, wie die optimale Mischung von Auskunfteidaten für einen Kunden aussehen muss, damit dieser sein Neukunden-Management verbessern kann. Dazu wurde eine Datenstichprobe aus historischen Anträgen mit bekanntem Kundenprofil gegen die Kreditauskunfteidaten abgeglichen, und zwar rückblickend zum Antragszeitpunkt und heute (Datum der Stichprobenerhebung). Das Ziel war dabei, die vorhandenen Auskunfteidaten auf ihre Fähigkeit zur Identifizierung von Ausfällen hin zu bewerten. Die Ergebnisse zeigten, dass die beste Kombination von externen Datenquellen zur Voraussage von Ausfällen erkannt wurde, und dass die zusätzliche Verwendung von Auskunftei-Scores in einer maßgeschneiderten Antrags-Scorecard zu einer Qualitätsverbesserung von 20% führt (Gini-Koeffizient).

Fazit: Die Risiko-Kostenstruktur könnte durch die Verwendung einer optimalen Kombination aus externen Daten und einem verbesserten Scoring-Modell um 17% verbessert werden.

Mr Thomas Grothe – CBDO, SAF Forderungsmanagement GmbH & Mr Holger Dittombee – Experian Decision Analytics - aus seiner Präsentation anlässlich des Europäischen Telekommunikationsforums 2007 von Experian Decision Analytics

Treten Sie mit uns für weitere Diskussionen über diesen Artikel in Verbindung

Sehen Sie sich diesen Artikel auf Englisch an

Top