Unbesicherter Forderungskauf: Wie aus Daten eine Portfoliobewertung wird

Auf den ersten Blick sieht das Datenpaket unspektakulär aus: eine lange Excel-Liste mit Millionen von Datenpunkten. Jede Zeile bildet dabei eine offene Forderung säumiger Zahler*innen ab. Für Malte Janzen beginnt hier die Analyse, die am Ende in eine Investitionsentscheidung in Millionenhöhe münden kann.

Er verantwortet seit 2025 den Bereich „Unsecured Investments“ bei EOS. Gemeinsam mit einem Team aus Kredit- und Datenanalyst*innen bewertet er Forderungsportfolios, die Banken in Europa zum Verkauf anbieten. Investment ist von jeher Maltes Spezialgebiet. Seine Promotionsarbeit schrieb der studierte Betriebswirt über Investitionsentscheidungen, anschließend arbeitete er in einer M&A-Beratung sowie in einer Hamburger Unternehmensgruppe und baute dort den Bereich für Infrastrukturprojekte mit auf.

„Wir analysieren das Forderungspaket und entwickeln einen Business Plan. Auf dieser Grundlage sprechen wir eine Empfehlung für den Kaufpreis an das EOS Board aus, das die Investitionsentscheidung trifft“, erklärt Malte. Jedes Jahr bewertet EOS 500 bis 600 Forderungsportfolios in mehr als 20 europäischen Ländern.

Der Prozess beginnt damit, dass beispielsweise eine Bank ein Portfolio unbesicherter Forderungen zum Verkauf ausschreibt. Die Expert*innen der EOS Ländergesellschaften nehmen Kontakt mit dem Verkäufer auf und erhalten für die Due-Diligence-Prüfung ein anonymisiertes Datenpaket. Auf dieser Grundlage erstellt die EOS Gesellschaft des betreffenden Landes eine ausführliche Analyse und Bewertung des Portfolios.

Parallel nimmt Maltes Team auf Gruppenebene das Portfolio ebenfalls unter die Lupe: Seit wann ist die Forderung überfällig? Wann würde sie verjähren? Was wurde bisher alles unternommen, um die Forderung zu realisieren? Auch der Kontext des Portfolios spielt eine wichtige Rolle: Stammt das Portfolio aus einer Krisenzeit? Wie ist die Kundenstruktur des Verkäufers? Jedes Portfolio hat seine eigene Geschichte. Aus den vielen Detailinformationen entsteht nach und nach ein Gesamtbild. „Idealerweise haben wir mit dem Verkäufer bereits Erfahrungen gesammelt. Dann können wir die Kundenstruktur und die Qualität der Forderungen noch besser einschätzen.“

Angesichts der enormen Datenmengen wäre eine manuelle Analyse jeder einzelnen Forderung unmöglich. „Stattdessen identifizieren wir zunächst die wesentlichen Merkmale und bilden daraus Gruppen“, so Malte. Dabei kommen mathematisch-statistische und Machine-Learning Modelle zum Einsatz. Auf Basis unserer umfangreichen, historischen Daten lässt sich simulieren, wie sich unterschiedliche Forderungsgruppen künftig entwickeln werden.

Zusätzlich fließen weitere Faktoren in die Analyse ein, etwa Veränderungen im regulatorischen Umfeld oder makroökonomische Entwicklungen. „Mit unseren Modellen können wir verschiedene Szenarien abbilden. So erkennen wir, welche Faktoren den größten Einfluss auf das Portfolio haben und worauf wir später bei der Bearbeitung achten müssen.“

Doch auch die besten Modelle können Expertenwissen nicht ersetzen. Wie Malte haben auch seine Team-Kolleg*innen viele Jahre Erfahrung in der Kredit- und Datenanalyse gesammelt. Zudem arbeiten sie eng mit den Expert*innen aus den Ländergesellschaften zusammen. „Sie kennen den lokalen Markt sehr genau und können viele Entwicklungen besser einordnen.“

Fällt die Investitionsentscheidung positiv aus, geht die Analyse weiter. Die tatsächliche Entwicklung des Portfolios wird kontinuierlich beobachtet und mit der ursprünglichen Prognose verglichen. Weicht die Performance von den Erwartungen ab, wird nach den Ursachen geforscht. „Unsere Erkenntnisse lassen wir direkt in unsere Analysetools einfließen. So wird unser Bewertungsprozess immer genauer.“