Ein Bonitätsscore ist kein Urteil darüber, ob jemand zuverlässig, sparsam oder „ein guter Mensch“ ist. Er ist das Ergebnis eines statistischen Modells für einen bestimmten Zweck, meist die Prognose, wie wahrscheinlich ein Vertrag vertragsgemäß bedient wird. Diese Begrenzung ist wichtig, weil dieselbe Person bei verschiedenen Anbietern unterschiedliche Ergebnisse erhalten kann.
Um einen konkreten Score zu verstehen, müssen Datenbestand, Modell, Entscheidungszeitpunkt und Rolle des Vertragspartners getrennt werden. Die eine universelle Bonitätsnote gibt es nicht.
Statistik beschreibt Gruppenwahrscheinlichkeiten
Ein Scoring-Modell ordnet beobachtete Merkmale statistischen Erfahrungen zu. Daraus entsteht eine Wahrscheinlichkeit oder Punktzahl. Sie sagt nicht sicher voraus, wie eine einzelne Person handeln wird. Menschen mit denselben Merkmalswerten können ihre Rechnungen unterschiedlich bezahlen.
Das Modell ist außerdem auf ein Zielereignis ausgerichtet. Ein Score für einen Ratenkredit kann anders berechnet oder skaliert sein als eine Einschätzung für Rechnungskauf oder Telekommunikation. Werte verschiedener Zwecke werden nicht wie identische Schulnoten verglichen.
Ein Score ist damit nützlich für Risikoeinschätzung, aber keine mathematische Gewissheit. Auch ein hoher Wert schließt Zahlungsausfälle nicht aus; ein niedrigerer Wert beweist kein persönliches Fehlverhalten.
Aus Daten werden Merkmale und schließlich Punkte
Auskunfteien speichern bestimmte personenbezogene Informationen, etwa zu Verträgen, Anfragen und gegebenenfalls Zahlungsstörungen. Ein Modell übersetzt Teile dieses Bestands in Merkmale. Das kann beispielsweise die Anzahl neuer Kreditanfragen in einem Zeitraum oder das Alter eines Vertrags sein.
Das Merkmal ist nicht immer mit dem Rohdatensatz identisch. Mehrere Ereignisse können zu einer Kategorie zusammengefasst werden, Zeitfenster verändern sich und einzelne Datenarten bleiben für ein bestimmtes Kriterium unberücksichtigt. Deshalb reicht ein Blick auf eine Zahl nicht, um den Rechenweg vollständig zu verstehen.
Fehler im Ausgangsdatensatz müssen berichtigt werden. Eine korrekte statistische Gewichtung wird dagegen nicht allein deshalb falsch, weil das persönliche Ergebnis unerwünscht ist.
Der neue SCHUFA-Score macht zwölf Kriterien sichtbar
Seit dem 17. März 2026 führt die SCHUFA ihren neuen Score schrittweise ein. Nach ihrer aktuellen Beschreibung nutzt er zwölf offengelegte Kriterien und eine Skala von 100 bis 999 Punkten. Für die Kriterien werden Punkte und Zeitbezüge veröffentlicht.
Diese Transparenz ermöglicht eine bessere Plausibilitätskontrolle. Sie bedeutet aber nicht, dass jeder Vertragspartner bereits ausschließlich diesen Wert verwendet. Die Einführung erfolgt schrittweise, und Unternehmen können weitere Informationen oder eigene Modelle einsetzen.
Auch null Punkte in einem einzelnen Kriterium sind kein Gesamtscore von null. Der Gesamtwert entsteht aus mehreren Kriterien. Einzelne Kontoschließungen oder Kreditanfragen werden deshalb nicht isoliert zu einer sicheren künftigen Scoreveränderung hochgerechnet.
Andere Auskunfteien können zu anderen Ergebnissen kommen
Auskunfteien haben unterschiedliche Datenbestände, Vertragspartner, Skalen und Berechnungsmethoden. Eine Information kann bei der einen Stelle vorhanden sein und bei einer anderen fehlen. Auch Aktualisierungszeitpunkte können abweichen.
Fragen Sie bei einer Ablehnung, welche Auskunftei und welches Produkt verwendet wurden. Eine Datenkopie bei der SCHUFA beantwortet keine Frage zu einem CRIF- oder Experian-Datensatz. Umgekehrt sagt ein Wert einer anderen Auskunftei nichts Sicheres über den neuen SCHUFA-Score.
Vergleichen Sie die zugrunde liegenden Daten und Zwecke, nicht nur die sichtbaren Zahlen. Eine Skala von 100 bis 999 kann nicht ohne Übersetzung mit einem Prozentwert oder einer Buchstabenklasse gleichgesetzt werden.
Die Bank trifft eine eigene Kreditentscheidung
Ein externer Score ist regelmäßig nur ein Baustein. Die Bank berücksichtigt Einkommen, Beschäftigung, Miete, Unterhalt, bestehende Kredite, Haushaltsgröße und eigene Erfahrungen mit dem Kunden. Sie entscheidet außerdem nach Produktpolitik und Risikogrenzen.
Eine Person hat einen guten Auskunfteiscore, aber nur 180 Euro freien Monatsbetrag. Für den gewünschten Kredit wären 320 Euro Rate nötig. Die Bank kann ablehnen, obwohl die Auskunfteidaten korrekt und positiv sind. Das Problem liegt in der aktuellen Tragfähigkeit.
Umgekehrt kann eine Bank trotz schwächerer externer Prognose weitere Sicherheiten oder Informationen würdigen. Daraus entsteht kein Anspruch auf Kredit, aber es zeigt, warum Score und Entscheidung nicht identisch sind.
Eine automatisierte Entscheidung löst besondere Fragen aus
Art. 22 DSGVO begrenzt unter bestimmten Voraussetzungen Entscheidungen, die ausschließlich auf automatisierter Verarbeitung beruhen und rechtliche oder ähnlich erhebliche Wirkung entfalten. Dann sind unter anderem Schutzmaßnahmen, menschliches Eingreifen und eine Möglichkeit zur Anfechtung relevant.
Der Europäische Gerichtshof hat im SCHUFA-Urteil C-634/21 hervorgehoben, dass die Scoreermittlung selbst eine automatisierte Entscheidung sein kann, wenn der Vertragspartner ihr eine maßgebliche Rolle beimisst. Entscheidend ist die tatsächliche Verwendung, nicht nur die Bezeichnung im System.
Im Urteil C-203/22 von 2025 verlangte der Gerichtshof bei einer automatisierten Entscheidung aussagekräftige, verständliche Informationen zum tatsächlich angewandten Verfahren. Eine bloße abstrakte Beschreibung von „komplexen mathematischen Methoden“ genügt für eine wirksame Überprüfung nicht.
Verständliche Information ist nicht dasselbe wie Quellcode
Betroffene müssen nachvollziehen können, welche personenbezogenen Daten und wesentlichen Kriterien im konkreten Fall verwendet wurden und wie diese das Ergebnis beeinflussten. Das bedeutet nicht zwingend die Herausgabe von Softwarecode oder sämtlichen Geschäftsgeheimnissen.
Fragen Sie konkret: Welcher Score wurde an welchem Tag für welchen Zweck übermittelt? Welche Daten lagen zugrunde? War die Entscheidung vollständig automatisiert? Welche Hauptfaktoren wirkten auf das Ergebnis? Wie kann ein Fehler berichtigt und eine menschliche Überprüfung verlangt werden?
Adressieren Sie die Frage an die richtige Stelle. Die Auskunftei erklärt ihren Score und Datenbestand. Die Bank erklärt, wie dieser Wert in ihrer Kreditentscheidung verwendet wurde und welche weiteren Informationen maßgeblich waren.
Falsche Daten werden korrigiert, nicht der gewünschte Score bestellt
Prüfen Sie Namen, Anschriften, Verträge, Forderungsstatus, Beträge und Anfragen in der Datenkopie. Eine bezahlte Forderung, die weiterhin als offen geführt wird, ist ein konkreter Berichtigungsfall. Gleiches gilt für eine Verwechslung oder einen nie gestellten Kreditantrag.
Die Reklamation nennt Datensatz, richtige Fassung und Nachweis. Parallel wird das meldende Unternehmen angeschrieben. Nach der Korrektur kontrollieren Sie den neuen Datenbestand, nicht nur die Veränderung der Punktzahl.
Ein korrekter Datensatz kann weiterhin statistisch ungünstig gewichtet werden. Dann ist zu prüfen, ob die Verarbeitung rechtmäßig, transparent und für den Zweck zulässig ist. „Ich möchte 100 Punkte mehr“ ist dagegen kein Berichtigungsantrag.
Ein Score ist immer eine Momentaufnahme mit Modellbezug
Neue Verträge, erledigte Kredite und der Ablauf von Zeitfenstern können Merkmale verändern. Auch ein Modellwechsel kann zu einem anderen Ergebnis führen, obwohl sich das Zahlungsverhalten nicht geändert hat. Deshalb wird zu jedem Wert das Datum und möglichst der Verwendungszweck notiert.
Ein alter Screenshot ist kein Beweis für den Score, den eine Bank Monate später verwendet hat. Verlangen Sie bei einer konkreten Entscheidung die damals übermittelten Informationen. Nur so lassen sich Datenstand und Entscheidung zeitlich zusammenbringen.
Wer Werte über Monate beobachtet, sollte Veränderungen nicht vorschnell einem einzigen Ereignis zuschreiben. Mehrere Kriterien können gleichzeitig altern oder neu berechnet werden. Eine nachvollziehbare Korrelation ist noch kein sicherer Kausalnachweis.
Die Anfechtung folgt einer klaren Reihenfolge
Erstens wird geklärt, welche Stelle welchen Wert lieferte. Zweitens werden die zugrunde liegenden personenbezogenen Daten geprüft. Drittens wird beim Vertragspartner gefragt, welche Rolle der Score und welche Rolle eigene Haushaltsdaten spielten. Erst dann lässt sich der richtige Einwand formulieren.
Bei einem Datenfehler wird Berichtigung verlangt. Bei einer ausschließlich automatisierten erheblichen Entscheidung werden Information, menschliche Überprüfung und Anfechtung angesprochen. Bei einer knappen Haushaltsrechnung wird Kreditsumme oder Rate geändert.
Diese Trennung verhindert, dass Auskunftei und Bank einander pauschal die Verantwortung zuschieben. Sie zeigt zugleich, welcher Teil der Entscheidung überprüfbar ist und welcher Teil in der geschäftlichen Vertragsfreiheit verbleibt.
Das Modell kennt weder Lebensgeschichte noch Zukunftsplan vollständig
Eine statistische Prognose kann nicht erkennen, warum ein Haushalt gerade besonders hohe Rücklagen bildet oder ob eine unsichere Bonuszahlung wirklich kommt. Solche Informationen gehören in die separate Haushalts- und Kreditprüfung, sofern sie nachweisbar und für den Vertrag relevant sind.
Umgekehrt macht eine persönliche Erklärung einen korrekten Zahlungsausfall nicht ungeschehen. Datenrichtigkeit, statistische Verarbeitung und menschliche Würdigung bleiben verschiedene Ebenen. Erst ihre Kombination erklärt, warum eine Vertragsentscheidung anders ausfällt als der sichtbare Score erwarten ließ.
Scorepflege bedeutet vor allem saubere Verträge
Zahlen Sie fällige Verpflichtungen pünktlich, halten Sie Kontaktdaten aktuell und kontrollieren Sie Ihre Daten regelmäßig. Beantragen Sie Produkte nur, wenn sie einen Zweck erfüllen. Vermeiden Sie taktisches Eröffnen und Schließen von Konten allein aufgrund vermuteter Punkteffekte.
Versprechen zur garantierten Scoreverbesserung gegen Gebühr sind kritisch zu prüfen. Niemand kann seriös einen bestimmten künftigen Bankentscheid garantieren, wenn Bankmodell, Haushaltsdaten und Zeitpunkt unbekannt sind.
Der konkrete Datenbestand lässt sich nur mit der richtigen Auskunft für den eigenen Zweck prüfen. Wie neue Konten und Karten in einem veröffentlichten Kriterium erscheinen, behandelt die Analyse zu mehreren Bankprodukten und Bonität.
Bei einer negativen Bankentscheidung ordnet der Ratgeber zur Kreditablehnung Score, Haushaltsdaten und interne Regeln.
Der vernünftige Umgang mit Scoring ist nüchtern: Statistik ernst nehmen, ihre Grenzen verstehen, falsche Daten korrigieren und die eigene Haushaltslage getrennt prüfen. So wird aus einer abstrakten Zahl eine überprüfbare Information statt eines persönlichen Etiketts.
