KI-Bonitätsprüfung im Mittelstand: Risiken, Datenfehler, Handlungsplan

Wenn der Kredit in Sekunden „Nein“ sagt: Das neue Praxisproblem im Mittelstand

In der Beratung sehen wir immer häufiger denselben Ablauf: Ein Düsseldorfer Handwerk-Meister will eine neue CNC-Maschine leasen, die Bank fragt „Bonität okay?“, und wenige Sekunden später kommt eine Ablehnung oder ein deutlich schlechteres Angebot. Früher hätte ein Sachbearbeiter nachgefasst, Unterlagen angefordert und Einmaleffekte eingeordnet. Heute entscheidet oft ein automatisierter Prozess, der Daten einsammelt, gewichtet und ein Ergebnis ausgibt.

Das Problem ist nicht „KI gegen Mensch“, sondern Tempo gegen Kontext. Automatisierte Systeme sind stark darin, Muster in großen Datenmengen zu finden. Sie sind schwach darin, eine einmalige Sonderabschreibung, einen Projektverschub oder eine Bilanzierungsumstellung als Ausnahme zu interpretieren. Für Unternehmen wird Bonität damit weniger zu einer Frage der „guten Story“, sondern zu einer Frage der Datenhygiene und der richtigen Signale an Auskunfteien und Finanzierungspartner.

Typische Folgen, die uns Mandanten schildern:

• Kürzere Kreditlinien oder schlechtere Covenants bei sonst stabiler Auftragslage
• Lieferanten reduzieren Zahlungsziele, weil ein Index oder Score „kippt“
• Leasinganbieter verlangen höhere Anzahlungen, obwohl die Liquidität reicht
• Ausschreibungen scheitern, weil eine Bonitätsampel automatisch „rot“ springt

So funktioniert es wirklich: Von der klassischen Prüfung zur KI-gestützten Entscheidung

Das klassische Modell war nachvollziehbar: Ein Kreditsachbearbeiter prüfte Jahresabschluss, Kontoführung, Sicherheiten, ggf. eine Auskunft (z. B. Creditreform, SCHUFA-B2B) und schrieb ein begründetes Votum. Das Ergebnis war nicht immer fair, aber meist erklärbar.

Moderne KI- und regelbasierte Systeme arbeiten anders. Sie kombinieren strukturierte Daten (Zahlenfelder, Kennzahlen, Registerdaten) mit unstrukturierten Informationen (Texte, Hinweise, Metadaten) und produzieren ein Scoring oder eine Risikoklasse. Die Entscheidung kann vollständig automatisiert ablaufen, häufig innerhalb von Sekunden.

Wichtige Datenquellen, die in solchen Verfahren typischerweise zusammenlaufen:

• Handelsregisterdaten und Unternehmensverflechtungen
• Insolvenzbekanntmachungen und gerichtliche Veröffentlichungen
• Zahlungserfahrungen aus Lieferanten- und Kreditbeziehungen
• Veröffentlichungen aus dem Bundesanzeiger (Jahresabschlüsse, Hinterlegungen)
• Open-Banking- bzw. Kontodaten, sofern eine Einwilligung oder ein entsprechender Prozess vorliegt
• Branchen- und Regionalindizes (Vergleich mit Peers)
• Metadaten aus Anträgen (z. B. Vollständigkeit, Plausibilitäten, Zeitpunkte)

Der Kernpunkt: Das System erkennt Korrelationen, aber keinen individuellen Kontext. Eine Bau-UG kann in einem Quartal hohe Materialvorfinanzierung haben, weil ein Großauftrag startet. Ein Algorithmus sieht vielleicht nur: steigende Verbindlichkeiten, sinkende Marge, schwankende Liquidität.

Damit das praktisch greifbar wird: Bei einem Speditionsbetrieb aus NRW kann ein kurzfristiger Dieselpreis-Effekt die Marge drücken. Ein Mensch fragt nach Weiterbelastungsklauseln, Preisgleitklauseln, Kundenstruktur. Ein automatisiertes Modell bewertet zuerst die Muster in den Daten, nicht die vertragliche Absicherung.

Was Bonifix in der Beratung sieht: Die typischen Verzerrungen in Score und Index

Wir arbeiten regelmäßig mit Auskünften und Datenständen von Creditreform, CRIF, Bürgel und SCHUFA-B2B. In der Praxis sind es selten „mystische KI-Entscheidungen“. Es sind wiederkehrende Mechanismen, die sich auf wenige Ursachen zurückführen lassen.

1) Einmaleffekte wirken wie strukturelle Schwäche

Ein Klassiker: Sonderabschreibungen oder ein einmaliger Verlust durch Projektabbruch. In einem Fall (Mustermann Maschinenbau GmbH, 18 Mitarbeiter, Auftragsfertigung) führte eine Sonderabschreibung dazu, dass sich der Bonitätsindex um mehr als 40 Punkte verschlechterte. Operativ war der Betrieb stabil, aber die Kennzahlen kippten im Jahresabschluss.

Automatisierte Systeme „lernen“: Verlust = Risiko. Sie erkennen meist nicht, dass es ein Sondereffekt war, der sich im Folgejahr nicht wiederholt.

2) Bilanzierungs- und Strukturwechsel werden als Risiko interpretiert

Bei einer GmbH & Co. KG sehen wir häufig, dass Umstellungen (z. B. Bilanzierungsmethoden, Umgliederungen, neue Konsolidierung) Kennzahlen verschieben. Was intern sauber erklärt ist, sieht im Datensatz wie Volatilität aus.

3) Datenfehler werden automatisiert weitergetragen

Besonders kritisch sind veraltete oder fehlerhafte Veröffentlichungen, etwa wenn im Bundesanzeiger Hinterlegungen verspätet erscheinen oder falsche Zuordnungen in Auskunfteien landen. Algorithmen übernehmen solche Daten in der Regel ohne „gesunden Menschenverstand“.

4) „Datenlücken“ werden als Warnsignal gewertet

Wenn aktuelle Zahlen fehlen, wird mit älteren Werten gearbeitet. Bei schnell wachsenden Betrieben kann das paradoxerweise schlechter aussehen: Die Auskunft spiegelt dann ein vergangenes, kleineres Unternehmen, während die tatsächliche Struktur schon eine andere ist.

5) Kommunikation ist zu unstrukturiert

Viele Unternehmen liefern Unterlagen als Sammel-PDF ohne Einordnung. Für automatisierte Vorprüfungen ist das praktisch nutzlos. Was hilft, ist eine saubere, konsistente Zahlenlogik und ein „Bilanz-Narrativ“ in Form belastbarer Ergänzungsunterlagen.

Handlungsplan: Bonität in einer automatisierten Welt aktiv steuern

Für den Mittelstand gilt: Wer nur reagiert, verliert Zeit. Wer Daten, Unterlagen und Korrekturwege proaktiv organisiert, erhöht die Chance, dass automatisierte Entscheidungen nicht unnötig negativ ausfallen.

1) Daten-Audit: Was steht tatsächlich bei Auskunfteien?

Startpunkt ist immer ein Abgleich: Welche Stammdaten, Abschlüsse, Zahlungserfahrungen und Negativmerkmale sind gespeichert? Wir empfehlen, nicht nur eine Quelle zu prüfen, sondern mindestens die üblichen relevanten Stellen im B2B-Kontext.

Konkrete Prüfpunkte:

• Firmierung, Rechtsform, Handelsregisternummer, Adressen, Inhaberstrukturen
• Aktualität des letzten Jahresabschlusses im Datensatz
• Hinweise auf Inkasso, Mahnverfahren, Insolvenznähe
• Branchenzuordnung (falsche NACE/Branchencodes sind häufiger als gedacht)

2) Zahlenaufbereitung: BWA, SuSa und ein belastbares Ergänzungspaket

Automatisierte Systeme lieben Struktur. Banken und Leasinggesellschaften ebenfalls. Für die Praxis hat sich bewährt, ein konsistentes Set bereitzuhalten:

• BWA im Zeitverlauf (mindestens 12 Monate, besser 24)
• Summen- und Saldenliste (SuSa) zur Plausibilisierung
• „Bilanz-Trio“: letzter Jahresabschluss, aktuelle BWA, plus Erläuterung wesentlicher Abweichungen

Bei einer Bau-UG mit projektgetriebenen Schwankungen kann eine kurze, zahlenbasierte Projektbrücke helfen: Auftragseingang, Abgrenzungen, Materialvorlauf, Meilensteinzahlungen.

3) Datenkorrektur und Einwendungen bei Auskunfteien

Wenn Fehler oder veraltete Einträge vorliegen, müssen sie sauber angefochten werden. Das ist kein „E-Mail an die Info-Adresse“-Thema, sondern ein dokumentierter Prozess mit Nachweisen.

Relevante Instrumente:

• Selbstauskunft nach DSGVO Art.15 (kostenfrei, in der Regel einmal jährlich)
• Berichtigungs- und Löschanträge bei falschen Angaben
• Nachweisführung über Registerauszüge, Abschlüsse, Zahlungsnachweise

Wichtig: DSGVO Art.22 (menschliche Überprüfung automatisierter Entscheidungen) schützt primär natürliche Personen. Juristische Personen können sich darauf nicht direkt stützen, haben aber in der Praxis dennoch Korrektur- und Klärungswege bei Auskunfteien sowie über die Datenlieferkette.

4) Negativeinträge: Löschung, wenn Voraussetzungen erfüllt sind

Negativmerkmale können berechtigt sein, aber sie bleiben nicht automatisch „für immer“ richtig. Wir prüfen regelmäßig, ob Einträge formal korrekt sind, ob Fristen greifen oder ob Voraussetzungen für eine Löschung vorliegen.

5) Score-Monitoring: Frühwarnsystem statt Überraschung

Wenn Entscheidungen in Sekunden fallen, muss Monitoring in Wochen und Monaten funktionieren. Ein regelmäßiger Check der relevanten Scores und Datenstände verhindert, dass ein Index unbemerkt wegrutscht.

In vielen Fällen sehen wir eine Stabilisierung innerhalb von etwa 3 bis 6 Monaten, wenn Daten korrigiert, Unterlagen nachgereicht und Einmaleffekte sauber erklärt sind.

Ein kurzer Hinweis aus der Praxis: Ein Bonifix-Score-Check oder ein Vollaudit ist vor allem dann sinnvoll, wenn gleichzeitig mehrere Finanzierer, Lieferanten und Ausschreibungen betroffen sind und die Ursachen nicht offensichtlich sind.

Vergleich: Klassische Bonitätsprüfung vs. automatisiertes KI-Scoring

Die Unterschiede lassen sich am besten in einer Gegenüberstellung erklären.

Kriterium	Klassische Prüfung (Sachbearbeiter)	Automatisiertes / KI-gestütztes Verfahren
Geschwindigkeit	Tage bis Wochen	Sekunden bis Stunden
Datenbasis	Schwerpunkt Jahresabschluss, Auskunft, Gespräch	Breiter Mix aus strukturierten und unstrukturierten Quellen
Kontextverständnis	Hoch, wenn Unterlagen und Gespräch da sind	Niedrig: Mustererkennung ohne Einordnung
Erklärbarkeit	Häufig begründbar (Votum, Notizen)	Abhängig vom Modell; oft nur „Score“ oder Kategorie
Fehlerwirkung	Sachbearbeiter kann Plausibilitäten erkennen	Datenfehler können direkt in die Entscheidung laufen
Hebel für Unternehmen	Gespräch, Darstellung, Zusatzunterlagen	Datenqualität, Aktualität, saubere Kennzahlenpakete

Und ein zweiter Vergleich, der in der Umsetzung hilft:

Hebel	Was Unternehmen tun können	Typischer Effekt
Stammdaten	Registerdaten, Firmierung, Branche, Adressen konsistent halten	Vermeidet Fehlzuordnungen und falsche Peergroups
Veröffentlichungen	Abschlüsse zeitnah bereitstellen, Datenstände prüfen	Reduziert „Altlast“-Bewertungen
Einmaleffekte	Sondereffekte quantifizieren und dokumentieren	Verhindert, dass Ausnahmen wie Dauerprobleme wirken
Zahlungserfahrungen	Prozesse für pünktliche Zahlungen und Klärfälle	Stabilisiert externe Payment-Indikatoren
Unterlagenpaket	BWA, SuSa, Bilanz-Trio mit Abweichungslogik	Erhöht Nachvollziehbarkeit bei Banken und Auskunfteien
Monitoring	Regelmäßige Score- und Datenchecks	Frühwarnung vor Index-Sprüngen

Fehler und Fallstricke: Was in der Praxis Geld kostet

Automatisierte Bonitätsprüfungen verzeihen bestimmte Fehler weniger als klassische Verfahren. Die folgenden Punkte sehen wir wiederholt.

• Zu spät reagieren: Erst handeln, wenn der Leasingvertrag platzt. Dann ist der Zeitdruck maximal.
• Einmaleffekte nicht „numerisch“ erklären: Ein Satz wie „war nur einmalig“ hilft nicht. Es braucht Beträge, Ursachen, Gegenmaßnahmen.
• Falscher Fokus auf nur eine Auskunftei: Viele Unternehmen schauen nur auf einen Wert, während der Finanzierer einen anderen Datenanbieter nutzt.
• Unklare Unternehmensstruktur: Gerade bei GmbH & Co. KG oder Holdingstrukturen führen widersprüchliche Angaben zu Risikoaufschlägen.
• PDF-Sammlung statt Struktur: Ein Datenraum ohne rote Linie führt dazu, dass die entscheidenden Signale untergehen.

Ein praktischer Merksatz: Wenn ein System in Sekunden entscheidet, müssen Ihre wichtigsten Bonitätsfakten in Sekunden auffindbar und plausibel sein.

Regulierung: Warum MaRisk VII und EU AI Act für Firmenkunden trotzdem relevant sind

Auch wenn Mittelständler nicht direkt „reguliert“ sind, wirkt Regulierung über Banken, Leasinggesellschaften und die Anbieter von Scoring-Technik.

MaRisk VII (Umsetzung seit Ende 2023)

Die 7. MaRisk-Novelle erhöht die Anforderungen an Transparenz, Dokumentation und Steuerbarkeit algorithmischer Verfahren im Risikomanagement. Wichtig aus Unternehmenssicht:

• Banken müssen nachvollziehbar machen, wie Modelle eingesetzt werden
• Grenzfälle sollen nicht stumpf durchlaufen, sondern an Menschen eskaliert werden
• Modellrisiken und Verzerrungen rücken stärker in den Fokus

Das kann helfen: Wenn Ihre Situation tatsächlich ein Grenzfall ist (z. B. Sondereffekt, Bilanzumstellung), steigt die Chance, dass eine manuelle Prüfung möglich wird – vorausgesetzt, die Unterlagen sind sauber.

EU AI Act (Pflichten ab 2026)

Bonitätsprüfungen werden als Hochrisiko-KI eingeordnet. Ab 2026 kommen verschärfte Anforderungen an Dokumentation, Transparenz und Aufsicht. Für Unternehmen heißt das nicht automatisch „leichtere Kredite“, aber mehr Druck auf Anbieter, Modelle erklärbarer und kontrollierbarer zu machen.

BaFin-Hinweise

Die BaFin weist auf Verzerrungsrisiken und die Herausforderung der Erklärbarkeit hin. In der Praxis erleben wir dadurch mehr Sensibilität bei Banken für Datenqualität und Modellgrenzen.

Regionaler Bezug: Deutschland und Schweiz – ähnliche Probleme, andere Datenkulturen

Für Deutschland ist der Dreiklang aus Handelsregister, Bundesanzeiger und Auskunfteien zentral. Viele negative Effekte entstehen, wenn Veröffentlichungen verspätet, unvollständig oder falsch zugeordnet sind. Gerade im Rheinland sehen wir bei kleineren Betrieben, dass die kaufmännischen Ressourcen begrenzt sind: Der Meisterbetrieb priorisiert Baustelle und Personal, nicht Datenpflege. Das rächt sich, wenn ein automatisiertes Scoring die Außenwirkung bestimmt.

In der Schweiz ist die Datenlandschaft anders organisiert, die Grundlogik aber ähnlich: Auch dort wirken Registerdaten, Zahlungserfahrungen und externe Informationen in Risikoklassen hinein. Der praktische Unterschied liegt häufig in der Dokumentationskultur und in der Erwartungshaltung von Banken bei Zwischenzahlen.

Was in beiden Ländern funktioniert:

• Regelmäßige Daten-Checks statt „einmal im Jahr“
• Kennzahlenpakete, die Schwankungen erklären (Projektgeschäft, Saison, Investitionen)
• Saubere Strukturangaben bei Gruppen, Beteiligungen und Geschäftsführungen

Für Düsseldorfer Unternehmen mit Aktivitäten in der Schweiz (z. B. Maschinenbauzulieferer) ist entscheidend, die Zahlenlogik konsistent zu halten: gleiche Definitionen von EBITDA, Working Capital und Projektmargen, damit nicht zwei Länder zwei Geschichten erzählen.

Fazit: KI-Scoring ist kein Schicksal, aber ein Daten-Disziplin-Thema

Automatisierte Bonitätsprüfungen werden bleiben, weil sie schnell und skalierbar sind. Der Hebel für Unternehmen liegt deshalb nicht in der Debatte „KI ja oder nein“, sondern in kontrollierbarer Außenwirkung: Datenqualität, Aktualität, strukturierte Zahlen und eine konsequente Korrektur falscher Einträge. Wer das als laufenden Prozess aufsetzt, reduziert Überraschungen und hält Finanzierungsspielräume offen.

1. 1

   Auskunftei-Datenstand beschaffen

   Aktuelle Auskünfte und gespeicherte Unternehmensdaten bei relevanten Stellen (z. B. Creditreform, CRIF, Bürgel, SCHUFA-B2B) einholen und versionieren.

2. 2

   Stammdaten und Struktur abgleichen

   Firmierung, Rechtsform, HR-Nummer, Adressen, Geschäftsführer, Beteiligungen und Branchenzuordnung gegen Handelsregister und interne Daten prüfen.

3. 3

   Zahlenpaket bauen (Bilanz-Trio)

   Letzten Abschluss, aktuelle BWA und SuSa zusammenstellen und die 3–5 größten Abweichungen mit Zahlen, Ursachen und Maßnahmen erklären.

4. 4

   Fehler korrigieren und Einwendungen führen

   Selbstauskunft nach DSGVO Art.15 nutzen, falsche Einträge mit Nachweisen anfechten und veraltete Datenstände aktualisieren lassen.

5. 5

   Einmaleffekte dokumentieren

   Sonderabschreibungen, Projektverluste oder Umstellungen als Einmaleffekt quantifizieren und eine Brücke zum Normalbetrieb formulieren.

6. 6

   Negativmerkmale prüfen lassen

   Rechtliche und sachliche Voraussetzungen von Negativmerkmalen prüfen und, wenn möglich, Löschung oder Korrektur anstoßen.

7. 7

   Monitoring etablieren

   Score- und Datenchecks in festen Intervallen (z. B. monatlich/vierteljährlich) durchführen, um Sprünge früh zu erkennen.

Vergleich der Alternativen

Hebel	Konkrete Maßnahme	Wann besonders wichtig
Stammdatenqualität	HR-Auszug, Firmierung, Branche, Adressen regelmäßig abgleichen	Bei Umzügen, Umfirmierungen, Holdingstrukturen
Aktualität der Abschlüsse	Veröffentlichungen und Datenstände prüfen; aktuelle Unterlagen bereitstellen	Wenn letzter Abschluss älter als 12–18 Monate ist
Einmaleffekte sauber erklären	Sondereffekt quantifizieren und Normalergebnis ableiten	Bei Sonderabschreibungen, Projektabbrüchen, Umstrukturierungen
Zahlungsverhalten stabilisieren	Klärfälle priorisieren, Mahnläufe und Dispute-Prozess verbessern	Bei Lieferanten, die Payment-Daten melden
Monitoring	Scores/Indizes in Intervallen tracken und Abweichungen untersuchen	Bei hoher Abhängigkeit von Leasing, Avalen, Einkaufslinien

Glossar

Begriffe kurz erklärt

KI-Bonitätsprüfung

Bonitätsbewertung, bei der algorithmische Verfahren und teils maschinelles Lernen zur Einstufung von Ausfallrisiken genutzt werden; oft in automatisierten Entscheidungsstrecken.

Bonitätsindex (Creditreform)

Skalenwert zur Einschätzung der Zahlungsfähigkeit bzw. des Risikos eines Unternehmens; wird von vielen Marktteilnehmern als Signal genutzt.

Einmaleffekt

Sonderereignis in der Gewinn- und Verlustrechnung oder Bilanz, das nicht dem Normalbetrieb entspricht, z. B. Sonderabschreibung oder Projektabbruch.

Selbstauskunft (DSGVO Art.15)

Recht, Auskunft über gespeicherte personenbezogene Daten zu erhalten. In der Praxis wird es genutzt, um Datenstände zu prüfen und Korrekturen anzustoßen.

MaRisk VII

7. Novelle der Mindestanforderungen an das Risikomanagement für Banken. Erhöht u. a. Anforderungen an Steuerung und Dokumentation von Modellen und Algorithmen.

EU AI Act

EU-Regelwerk für Künstliche Intelligenz. Bonitätsprüfungen werden als Hochrisiko-Anwendungsfall eingeordnet, mit verschärften Pflichten ab 2026.

BWA

Betriebswirtschaftliche Auswertung, meist monatlich. Dient zur aktuellen Ergebnis- und Liquiditätseinschätzung, insbesondere wenn der Jahresabschluss älter ist.

FAQ

Häufige Fragen

Was ist der zentrale Unterschied zwischen KI-Scoring und klassischer Bonitätsprüfung?

+

KI-Scoring arbeitet mit breiten Datenquellen und trifft Entscheidungen oft automatisiert. Klassische Prüfungen stützen sich stärker auf Abschlussanalyse und menschliche Einordnung. Der Hauptunterschied ist weniger die Kennzahl an sich, sondern die Fähigkeit, Sondereffekte und Kontext zu verstehen.

Welche Datenquellen fließen typischerweise in automatisierte Bonitätsentscheidungen?

+

Häufig kombiniert werden Handelsregisterdaten, Insolvenzveröffentlichungen, Zahlungserfahrungen, Bundesanzeiger-Daten, Branchenindizes sowie Metadaten aus Anträgen. Je nach Prozess können auch Open-Banking-Daten eine Rolle spielen.

Warum können Sonderabschreibungen den Score so stark drücken?

+

Weil Algorithmen Verluste und Eigenkapitalrückgänge häufig als erhöhtes Ausfallrisiko werten. Ohne zusätzliche Erläuterung wird ein Einmaleffekt schnell wie eine strukturelle Ertragskrise behandelt.

Wie komme ich an die gespeicherten Daten bei Auskunfteien?

+

Über eine Selbstauskunft nach DSGVO Art.15 erhalten Sie Auskunft über gespeicherte Daten. Zusätzlich bieten Auskunfteien im B2B-Umfeld Prozesse zur Datenprüfung und Korrektur an.

Gilt DSGVO Art.22 (menschliche Überprüfung) auch für GmbH oder UG?

+

Art.22 zielt primär auf automatisierte Entscheidungen gegenüber natürlichen Personen. Juristische Personen sind nicht unmittelbar geschützt. Praktisch bestehen aber Korrektur- und Klärungswege über Auskunfteien, Bankenprozesse und Dokumentation von Einzelfällen.

Was verlangt die MaRisk VII von Banken im Umgang mit Algorithmen?

+

Seit Ende 2023 in Umsetzung: mehr Transparenz, Dokumentation und Kontrolle algorithmischer Verfahren. Grenzfälle sollen nicht rein automatisiert laufen, sondern an Menschen zur Prüfung gegeben werden.

Was ändert sich durch den EU AI Act ab 2026?

+

Bonitätsprüfungen gelten als Hochrisiko-KI. Anbieter und Nutzer müssen strengere Dokumentations-, Transparenz- und Aufsichtspflichten erfüllen. Das kann die Nachvollziehbarkeit von Modellen verbessern, ersetzt aber nicht die Notwendigkeit guter Unternehmensdaten.

Wie schnell kann sich ein schlechter Index wieder verbessern?

+

Das hängt von Ursache und Datenzyklen ab. In der Praxis sehen wir bei konsequenter Datenkorrektur und sauberer Zahlenaufbereitung häufig eine Stabilisierung innerhalb von etwa drei bis sechs Monaten.

Quellen

1. https://rating-beratung.de/automatisierte-bonitaetspruefung-ki/

Behandelte Themen

• Creditreform
• SCHUFA
• CRIF
• Bürgel
• BaFin
• EU AI Act
• Bundesanzeiger
• Handelsregister
• Insolvenzbekanntmachungen
• MaRisk VII
• DSGVO Art.15
• DSGVO Art.22
• Mustermann Maschinenbau GmbH
• Bonifix GmbH
• Düsseldorf

Weiterlesen

Warenkreditversicherung: So prüfen Kreditversicherer Bonität

So bewerten Kreditversicherer Abnehmer: Datenquellen, Bilanzkennzahlen, Limite, Meldepflichten. Folgen für Lieferkonditionen und konkrete Gegenmaßnahmen.

10 Min Lesezeit

Bonitäts-Glossar für Unternehmen: Kennzahlen, Rating, Finanzierung

Bonitäts-Glossar für Unternehmen: Bilanzaufbau, Anlagendeckungsgrad, PD, Bankrating, Basel IV, Auskunfteien & DSGVO. Mit Handlungsplan.

10 Min Lesezeit

Bonitäts-Glossar für Unternehmen: Begriffe, Kennzahlen, Praxis

Bonitäts-Glossar für Unternehmen: Bilanzbegriffe, Kennzahlen, Auskunfteien, DSGVO-Rechte und Basel-Regeln. Mit Praxisplan, Tabellen und Fallstricken.

10 Min Lesezeit

Rezession & Bonitätsrating: Warum Scores plötzlich strenger werden

Rezession verschärft Bonitätsratings: Benchmarks, Branchenrisiken, Kreditlimits. Mit Zahlen 2022–2025 und Plan zur Score-Stabilisierung im Mittelstand.

11 Min Lesezeit