Basic HTML-Version
CM Januar/Februar 2008
auch Parameter genannt, bilden dann die Basis
für die Bewertung der einzelnen Kunden im
Kundenportfolio des Unternehmens hinsichtlich
deren Bonität. Hierbei werden jedem Kunden
gemäß seiner datentechnisch erfassten Kun–
denmerkmale die in der Score-Card enthal–
tenen Punktwerte zugeordnet und anschlie–
ßend zu einer Summe addiert. Dieser Ergebnis–
wert, oftmals auch als Risiko-Score bezeichnet,
dokumentiert die Kreditwürdigkeit des Kunden.
Um die mit Credit-Scoring gewonnen Ergeb–
nisse besser interpretierbar zu machen, wird
der gesamte mit dem Scoring-Modell erzeug–
bare Scoring-Wertebereich in Intervalle unter–
teilt, die sogenannten Risikoklassen. Basis für
die Bildung der Risikoklassen bilden hierbei
statistische Datenanalysen, durch die gewähr–
leistet wird, dass jede Risikoklasse nur Kunden
mit homogenen Bonitätsrisiken in sich vereinigt,
sprich die Forderungsausfallwahrscheinlich–
keiten innerhalb einer Klasse sich nicht signifi–
kant voneinander unterscheiden.
Wie bereits erläutert, bildet die Basis für die
Entwicklung der Score-Card immer die statisti–
sche Datenanalyse des historischen Datenbe–
standes, um auf Basis der hieraus gewonnenen
Erkenntnisse die zukünftige Bonitätsentwick–
lung prognostizieren zu können. Grundsätzlich
existieren eine Vielzahl von statistischen Mo–
dellierungstechniken, die beim Aufbau eines
Credit-Scoring-Systems zum Einsatz kommen
können. Gängige methodische Ansätze sind
hierbei zum Beispiel die Diskriminanzanalyse.
neuronale Netze, die Entscheidungsbaumana–
lyse oder multivariate Regressionsmodelle. Er–
fahrungswerte zeigen, dass, solange eine aus–
reichende Datenvertügbarkeit und -konsistenz
gewährleistet ist, man mit den unterschied–
lichen methodischen Ansätzen vergleichbare
Ergebnisse von ähnlich hoher Qualität erzielen
kann. Sollte die Datenbasis jedoch qualitative
Mängel aufweisen, so kann die Wahl der rich–
tigen statistischen Methode zur Score-Card-
Entwicklung eine durchaus entscheidende
Rolle spielen, was die durch das Scoring-
Modell erzielbare Prognosegüte anbelangt.
Scoring-basierte Steuerung der
Forderungsmanagement-Prozesse
im Unternehmen
Grundsätzlich stehen dem operativen Forde–
rungsmanagement zahlreiche Instrumente zur
Verfügung, um auf das Zahlungsverhalten des
Kunden einzuwirken. Globales Ziel ist es, durch
gezielten Einsatz der im Unternehmen vorhan–
denen Mittel die Debitorenlaufzeit auf Einzel–
kunden-Ebene zu reduzieren, beziehungsweise
möglichen Forderungsverlusten präventiv ent–
gegenzuwirken.
Monetäre Steuerparameter, die durch das For–
derungsmanagement individuell festgelegt wer–
den können, sind beispielsweise die Höhe der
Mahngebühren in den jeweiligen Mahnstufen,
die Höhe der Verzugzinsen sowie die individu–
elle Ausgestaltung des Kreditlimits. Weiterhin
existieren auf Prozessebene eine Vielzahl von
Maßnahmen, deren Anwendung das Ziel
verfolgt, den Zahlungszeitpunkt und die
Zahlungswahrscheinlichkeit des Kunden
positiv zu beeinflussen. Bei der Rechnungs–
stellung umfasst dies beispielsweise die Länge
der gewährten Zahlungsfrist, bei der Zahlungs–
abwicklung das Angebot von Prepaid-Zah-
lungsmethoden. Im Prozessschritt Mahnen
kommen hier klassischerweise Parameter wie
die Anzahl der Mahnstufen, die Länge der
Mahnfristen, die Formulierung des Mahntextes
oder die Durchführung von Präventivanrufen
zur Anwendung. Am Ende der Prozesskelte
1. Mahnung
| l 6 T a g e
Risikoklassen
1
-12 Tage
2. IVIahnung
(Variante x)
2. Mahnung
(Variante y)
< ^ H F > 1 5 0 ^ <(^HF< 1 5 0 ^
„Präventivanr.
l
} l 4 Tage
3. Mahnung
— ; —
„Präventivanr."
HF > 1 0 0 ^ < ^ < 1 0 0 € ^
Abgabe
Inkasso
Abgabe
Inkasso
<
H F > 5 0 €mit Neg. Kz
> 0
Abgabe
Inkasso
( N e i n ^
( " » F
>30 € ^ ( ^ ^ ^
Außerger. Inkasso-
Mahnverfahren
HF = Hauptforderungsvolurnen
Vollstreckungsbescheid
Außerger. Inkasso-
Vollstreckungsbescheid /
Mahnvertahren
Zwangsvollstreckung
Abb 4: Vereinfachtes Beispiel für die Individualisierung des Mahnprozesses
3S