Die Zukunft der Auskunfteien ist Echtzeit
Kurzfassung: Auskunfteien aktualisieren BNPL-Daten weiterhin monatlich, dabei können Verbraucher innerhalb von Sekunden bei mehreren Anbietern Schulden aufbauen. Die Technologie dafür in Echtzeit existiert: Tilores hat sie für Regis24 gebaut. Die größte Hürde ist nicht das technische Können, sondern die Bereitschaft der BNPL-Anbieter, Daten zu teilen – und die ändert sich gerade.
| Dimension | Aktueller Stand (etablierte Anbieter) | Was Echtzeit erfordert |
|---|---|---|
| Aktualisierungsfrequenz | Monatlicher Batch (z. B. Experian UK bei BNPL) | Sekundenbruchteile bis Sekunden (rund 300 ms mit Tilores-Infrastruktur) |
| Zentrale technische Hürde | Unsaubere, uneinheitliche Daten aus mehreren Quellen | Entity Resolution in Echtzeit, um Datensätze einer Person zuzuordnen |
| Risiko für Verbraucher | Der volle BNPL-Schuldenkreislauf bleibt innerhalb einer Abrechnungsperiode unsichtbar | Überschuldung wird vor dem nächsten Kauf erkannt |
| Wer es gelöst hat | Etablierte Anbieter haben nicht investiert; der Markt bleibt beim Batch | Regis24 (auf Basis von Tilores-Technologie); Infact Systems (britischer Herausforderer) |
| Blockade heute | Technische Komplexität + Trägheit der Etablierten | Bereitschaft der BNPL-Anbieter, Daten zu teilen |
Auf dieser Seite
- Warum sind BNPL-Kredite für Auskunfteien unsichtbar?
- Warum reichen monatliche Aktualisierungen für BNPL-Kunden nicht aus?
- Wie löst Entity Resolution in Echtzeit die Datenaufnahme?
- Wie hat Tilores eine Echtzeit-Infrastruktur für Auskunfteien gebaut?
- Welche Herausforderer bauen Echtzeit-Fähigkeiten für Auskunfteien auf?
- FAQ: häufig gestellte Fragen
Warum sind BNPL-Kredite für Auskunfteien unsichtbar?
In der Welt der Auskunfteien und des Buy Now Pay Later (BNPL) gab es kürzlich große Neuigkeiten: Apple BNPL kündigte an, Kreditdaten künftig weltweit mit Experian zu teilen.
Das ist wichtig, weil BNPL (in den USA) überproportional von finanziell fragilen Haushalten genutzt wird. BNPL ist zunächst eine sehr bequeme Option für die meisten modernen Verbraucher, aber es ist auch attraktiv für diejenigen, die sonst nur schwer an Kredit kämen.
Bislang bedeutete das Fehlen einer BNPL-Datenmeldung jedoch das Risiko, dass diese nicht gemeldeten Schulden die finanziell Verwundbaren in die Überschuldung treiben. Würden BNPL-Anbieter ihre Daten mit Auskunfteien teilen, wie es traditionelle Finanzanbieter längst tun, sollte das helfen, Verbraucher vor der Überschuldung zu bewahren – weil BNPL-Anbieter dann die nötigen Daten hätten, um verantwortungsvolle und informierte Kreditentscheidungen zu treffen.
Dennoch hat dieser Plan zum Datenaustausch einen Haken.
In Großbritannien, wo 50 % der Verbraucher schon BNPL genutzt haben, hat Experian stolz verkündet, BNPL-Daten nun in die britischen Kreditdaten aufzunehmen.
Warum reichen monatliche Aktualisierungen für BNPL-Kunden nicht aus?
Das Problem? Die Frequenz, mit der Experians BNPL-Daten aktualisiert werden: monatlich.
Die durchschnittliche Rückzahlungsdauer von BNPL-Krediten liegt bei etwa 90 Tagen. Einer der Reize von BNPL ist ja gerade, wie einfach und schnell – normalerweise direkt am Kaufpunkt – ein Verbraucher für einen Kredit freigegeben wird.
Es ist daher ziemlich leicht, in sehr kurzer Zeit übermäßige BNPL-Schulden anzuhäufen, wenn man mehrere verschiedene BNPL-Anbieter nutzt.
Angesichts der Leichtigkeit und Geschwindigkeit, mit der Verbraucher BNPL-Schulden aufbauen können, wirkt es absurd, dass das System, das sie eigentlich schützen soll, mit einer derart massiven Zeitverzögerung läuft.
Wenn die Finanzwelt Kredite heute in Echtzeit vergibt, warum können die Auskunfteien ihre Daten dann nicht in Echtzeit aktualisieren?
Wie löst Entity Resolution in Echtzeit die Herausforderung der Datenaufnahme?
Die Wahrheit ist: Sie tun es nicht, weil es technisch sehr anspruchsvoll ist. Besonders für die etablierten Anbieter, die nur langsam in neue Technologie investieren.
Die Daten von Händlern und BNPL-Anbietern sind oft uneinheitlich und „unsauber”. Alle relevanten BNPL-Daten einer einzigen Person zuzuordnen, ist deshalb schwierig. Erst recht in Echtzeit.
Das ist die Kernherausforderung der Entity Resolution: Datensätze aus unterschiedlichen Quellen derselben Person zuzuordnen, korrekt und in Echtzeit, selbst wenn die Daten uneinheitlich sind. Die Abwägungen in der Matching-Qualität zu verstehen (siehe Precision vs. Recall), ist zentral für ein System, das weder falsche Übereinstimmungen erzeugt noch echte übersieht.
Wie hat Tilores für Regis24 eine Echtzeit-Infrastruktur für Auskunfteien gebaut?
Ich weiß das, weil wir ein System für Datenaufnahme und Matching in Echtzeit gebaut haben – für die deutsche Verbraucherauskunftei Regis24, bevor die Technologie in ein eigenes Unternehmen ausgegründet wurde: Tilores. Die Entwicklung hat uns Jahre gekostet, und am Ende war die Technologie so weit fortgeschritten, dass wir uns entschieden haben, ein Patent anzumelden. Der Aufbau war alles andere als geradlinig.
Tatsächlich ist Regis24 vermutlich die einzige Auskunftei der Welt, die heute mit geringem Aufwand als Echtzeit-Auskunftei für BNPL-Daten arbeiten könnte – weil die von uns entwickelte Technologie nach wie vor die zentrale Dateninfrastruktur des Unternehmens ist.
Ich glaube, das wird sich bald ändern. Eine monatliche Aktualisierung von Auskunfteidaten ist für die moderne Finanzwelt nicht mehr angemessen. Wenn ich in Sekunden Kredit über Hunderte oder Tausende Dollar bekommen kann, gibt es keinen guten Grund, warum mein Kreditprofil nicht Sekunden später aktualisiert sein sollte (oder 300 ms später, wenn Sie Tilores einsetzen).
In Deutschland könnte Regis24 das leisten, wenn die BNPL-Anbieter bereit wären, Daten zu teilen. Ironischerweise ist BNPL in Deutschland ein so altes Modell – der „Kauf auf Rechnung” –, dass es weit stärker akzeptiert ist. Und deshalb ist der politische Druck auf die BNPL-Anbieter, ihre Daten zu melden, aus meiner Sicht geringer.
Welche Herausforderer bauen Echtzeit-Fähigkeiten für Auskunfteien auf?
In Großbritannien und den USA ist das anders. Dort lastet Druck auf den BNPL-Anbietern, ihre Daten zum Schutz der Verbraucher zu teilen.
Wir arbeiten mit einem Unternehmen im Stealth-Modus daran, ein Echtzeit-Meldesystem für BNPL-Anbieter in den USA aufzubauen – die Nachfrage ist also eindeutig da. Eine Reihe US-amerikanischer BNPL-Unternehmen interessiert sich für deren Angebot.
In Großbritannien wiederum könnten herausfordernde Auskunfteien wie ClearScore oder Infact Systems (übrigens von ehemaligen Experian-Technikern gegründet) die Zukunft der Kreditauskunft sein. Infact hebt seine Echtzeit-Fähigkeiten deutlich hervor, ist aber darauf angewiesen, dass BNPL-Unternehmen bereit sind, Daten mit ihnen zu teilen.
Die historische Hürde beim Aufbau einer neuen Auskunftei war immer der Zugang zu Daten. Doch wenn diese Herausforderer über eine Technologie wie Tilores verfügen, die Datenaufnahme und Aktualisierung von Kreditprofilen in großem Umfang und in Echtzeit erlaubt, dann könnte BNPL genau die Nische sein, die die neuen Auskunfteien brauchen, um einen neuen Markt zu öffnen und die Etablierten endlich anzugreifen.
Sehen Sie, was aufgelöste Entitätsdaten für Ihr Geschäft leisten – und für Ihre KI.
Sehen Sie es auf Ihren eigenen Daten: Demo buchen für einen Durchgang mit Ihren Datensätzen, oder Evaluierungs-Build holen, um aufgelöste Entitätsdaten lokal auszuprobieren.
FAQ
Warum aktualisieren Auskunfteien ihre Daten weiterhin monatlich statt in Echtzeit?
Monatliche Batch-Aktualisierungen sind ein Erbe der Art, wie Daten von Kreditgebern historisch erhoben und verarbeitet wurden. Die Aufnahme in Echtzeit ist technisch sehr anspruchsvoll: Daten von Händlern und BNPL-Anbietern sind oft uneinheitlich und unsauber. Alle relevanten Daten in Echtzeit einer einzigen Person zuzuordnen, erfordert daher eine ausgefeilte Entity-Resolution-Infrastruktur. Etablierte Auskunfteien haben nur zögerlich in die dafür nötige neue Technologie investiert.
Welches Risiko bergen monatliche Auskunftei-Aktualisierungen für BNPL-Kunden?
Die durchschnittliche BNPL-Rückzahlungsdauer liegt bei etwa 90 Tagen, und Verbraucher können am Kaufpunkt binnen Sekunden für einen BNPL-Kredit freigegeben werden. Monatliche Aktualisierungen bedeuten, dass ein Verbraucher über mehrere BNPL-Anbieter innerhalb eines einzigen Abrechnungszyklus erhebliche Schulden anhäufen kann, bevor eine Auskunftei davon erfährt. Das erzeugt ein Überschuldungsrisiko, besonders für finanziell fragile Haushalte.
Wie hat Tilores die Datenaufnahme in Echtzeit für eine Auskunftei gelöst?
Tilores hat für Regis24, die deutsche Verbraucherauskunftei, ein System für Datenaufnahme und Matching in Echtzeit gebaut, bevor die Technologie in ein eigenes Unternehmen ausgegründet wurde. Das System ordnet unsaubere, uneinheitliche eingehende Datensätze in Echtzeit einer einzigen Person zu (Tilores kann ein Kreditprofil rund 300 ms nach einem neuen Datenereignis aktualisieren), und die Technologie war so weit fortgeschritten, dass das Team ein Patent darauf angemeldet hat.
Welche Auskunfteien verfügen heute über Echtzeit-Fähigkeiten?
Regis24 in Deutschland gilt als vermutlich einzige Auskunftei der Welt, die heute als Echtzeit-Auskunftei für BNPL-Daten arbeiten könnte, weil ihre zentrale Dateninfrastruktur auf jener Technologie für Aufnahme und Matching in Echtzeit beruht, aus der später Tilores wurde. Herausfordernde Auskunfteien wie Infact Systems in Großbritannien betonen ebenfalls Echtzeit-Fähigkeiten, hängen aber davon ab, dass BNPL-Anbieter ihre Daten mit ihnen teilen.
Was hat Entity Resolution in Echtzeit mit der Datenqualität von Auskunfteien zu tun?
Das technische Kernproblem bei Auskunfteidaten in Echtzeit ist Entity Resolution: uneinheitliche, unsaubere Datensätze von mehreren BNPL- und Handelsanbietern in Echtzeit und fehlerfrei derselben Person zuzuordnen. Das ist dieselbe Entity-Resolution-Herausforderung, die Tilores in den Finanzdienstleistungen adressiert. Tilores löst Datensätze bei der Aufnahme auf, sodass zur Abfragezeit stets ein vollständiges, korrektes Kundenprofil bereitsteht.
Sehen Sie, was aufgelöste Entitätsdaten für Ihr Unternehmen — und Ihre KI — leisten.