Kredietscoring

Credit scoring is het gebruik van een statistisch model om informatie over een kredietnemer om te zetten in één enkel getal dat schat hoe waarschijnlijk het is dat ze terugbetalen. De score wordt vergeleken met een afkapwaarde, en de afkapwaarde bepaalt de beslissing om goed te keuren, door te verwijzen of af te wijzen.

De claim die aan scoring ten grondslag ligt, is smal en verdient het om precies te worden geformuleerd: kenmerken die terugbetaling voorspelden bij eerdere kredietnemers, zullen die ook voorspellen bij toekomstige. Een score is geen oordeel over een persoon. Het is een rangschikkingsinstrument — het zegt dat deze aanvrager lijkt op een groep die tegen een bepaald percentage terugbetaalde, meer niet. Het bevat geen mening over welk individu dan ook en doet geen belofte over de uitkomst voor welk individu dan ook.

Die beperktheid is ook de bron van zijn kracht. Een model past dezelfde regel toe op elke aanvrager, in milliseconden, tegen feitelijk nul marginale kosten, en het wordt niet moe, kan niet worden beïnvloed en laat zich niet overtuigen. Waar het aantal leningen hoog is en de waarde van elke lening laag is, kan geen enkele vorm van menselijke kredietbeoordeling qua kosten concurreren.

Score, scorecard, rating en rapport

Vier termen die door elkaar worden gebruikt, maar dat zou niet moeten.

• Kredietscore: Het getal dat voor een bepaalde aanvrager op een bepaald moment wordt gegenereerd
• Scorecard: Het model zelf — de kenmerken, hun gewichten en de puntenstructuur die scores genereren
• Kredietrapport: De feitelijke registratie van de rekeningen en terugbetalingsgeschiedenis van een kredietnemer, bijgehouden door een bureau
• Kredietrating: Een beoordeling van de kredietwaardigheid van een entiteit, meestal uitgedrukt op een letterschaal en toegepast op bedrijven en overheden in plaats van op individuen
• Kans op wanbetaling (PD): De geschatte kans op wanbetaling waaraan een score is gekoppeld, uitgedrukt als percentage

Een score wordt door een scorecard afgeleid uit een rapport. Het rapport is bewijs; de score is een gevolgtrekking. Een kredietnemer die een beslissing betwist, betwist doorgaans iets in het rapport, en de twee moeten van elkaar te scheiden zijn om daar een antwoord op te kunnen geven.

Hoe een scorecard werkt

De meeste scorecards in productie zijn puntengebaseerde modellen afgeleid van logistische regressie. Elk kenmerk wordt ingedeeld in klassen, elke klasse krijgt punten, en de punten worden opgeteld.

De opbouwvolgorde, in grote lijnen:

1. Definieer goed en slecht. Een "slechte" is doorgaans een lening die een bepaalde betalingsachterstand — meestal 90 dagen achterstallig — binnen een bepaald venster. Deze definitie bepaalt alles wat daarna komt, en een latere wijziging ervan maakt het model ongeldig.
2. Stel de observatie- en prestatievensters vast. Kenmerken worden vastgelegd op het moment van de aanvraag; de prestatie wordt gemeten over de daaropvolgende periode, doorgaans 12 tot 18 maanden. Het model kan pas worden gebouwd wanneer voldoende leningen de tijd hebben gehad om slecht te worden.
3. Stel een ontwikkelingssteekproef samen. Genoeg leningen, en vooral genoeg slechte leningen, om betrouwbaar te kunnen schatten.
4. Selecteer kenmerken en groepeer ze in banden. Test elke kandidaatvariabele op voorspellende kracht en stabiliteit, en groepeer de waarden vervolgens in banden met wezenlijk verschillende wanbetalingspercentages.
5. Schat het model en ken punten toe. Zet de geschatte coëfficiënten om in een puntenschaal met hele getallen waarmee medewerkers en systemen kunnen werken.
6. Valideer op een holdout-steekproef die het model niet heeft gezien.
7. Stel het afkappunt in en de acties die aan elke scoreband zijn gekoppeld.
8. Monitor en herkalibreer naarmate de aanvragerspopulatie en de omgeving veranderen.

Uitgewerkt voorbeeld: een eenvoudige aanvraagscorecard

Bedrijfsjaren

• Minder dan 1 jaar: 0 punten
• 1–3 jaar: 15 punten
• Meer dan 3 jaar: 25 punten

Leenhistorie bij de kredietverstrekker

• Eerste cyclus: 0 punten
• 2e–3e cyclus: 20 punten
• 4e cyclus of meer: 30 punten

Kredietbureauresultaat

• Negatieve registratie: automatische afwijzing
• Schoon, beperkt dossier: 10 punten
• Schoon, langlopend dossier: 20 punten

Schuld-inkomensratio

• Boven 45%: 0 punten
• 35–45%: 10 punten
• Onder 35%: 20 punten

Spaar- of depositogedrag

• Geen: 0 punten
• Onregelmatig: 5 punten
• Regelmatig: 15 punten

Een aanvrager die twee jaar actief is, toe is aan zijn derde leningcyclus, met een schoon maar beperkt kredietdossier, een DTI van 38% en regelmatig spaargedrag scoort 15 + 20 + 10 + 10 + 15 = 70.

• 75 en hoger: Automatische goedkeuring voor het volledige aangevraagde bedrag
• 60–74: Goedkeuren, met een gemaximeerd bedrag of aanvullende zekerheid vereist
• 45–59: Doorverwijzen voor handmatige beoordeling
• Onder 45: Afwijzen

Bij 70 wordt de aanvrager goedgekeurd met een gemaximeerd bedrag. De doorverwijzingsband is belangrijker dan het lijkt: daar houdt een kleine kredietverstrekker menselijke beoordeling in het proces voor de gevallen waarin het model het minst zeker is, in plaats van beoordeling volledig te schrappen.

Soorten scoring

Aanvraagscoring beslist over nieuwe aanvragers op basis van informatie die bij de aanvraag beschikbaar is. Dit is wat de meeste mensen onder kredietscoring verstaan.

Gedragsscoring gebruikt het eigen gedrag van de lener op bestaande rekeningen — betaaltiming, benutting, saldotrends — om te beslissen over limietverhogingen, top-ups, verlengingen en prijsstelling. Het is doorgaans voorspellender dan aanvraagscoring, omdat eerder gedrag bij jou meer zegt dan afgeleid gedrag van een populatie. Elke kredietverstrekker met terugkerende leners kan gedragsscoring lang voordat hij over de data beschikt voor een volledige aanvraagscorecard.

Incassoscoring rangschikt achterstallige rekeningen op basis van de kans op inning, zodat inspanningen gaan naar waar ze het meeste geld opleveren. Een kredietverstrekker met meer achterstandsdossiers dan medewerkers is impliciet al aan het prioriteren; scoring maakt die prioritering expliciet.

Bureauscoring wordt door het kredietbureau zelf geproduceerd over al zijn rapporterende leden, zodat het verplichtingen aan andere kredietverstrekkers ziet die een intern model niet kan zien.

Maatwerk- of interne scorecards zijn gebouwd op de eigen portefeuille. Ze passen veel beter bij de werkelijke klantenbasis dan een generiek model, en ze vereisen dat de kredietverstrekker een portefeuille heeft die de moeite van het modelleren waard is.

Scoring met alternatieve data

Conventionele scoring gaat uit van een kredietdossier. In markten waar de meeste leners nog nooit een formele lening hebben gehad, sluit die aanname het grootste deel van de bevolking uit, en alternatieve data is de manier om dat te omzeilen.

• Transactiegeschiedenis van mobiel geld: Inkomensregelmaat, saldopatronen, uitgavediscipline, bedrijfsomzet
• Aankoopgedrag voor beltegoed en mobiele data: Inkomensstabiliteit en gelijkmatigheid van de cashflow op zeer hoge frequentie
• Toestel- en telecomanciënniteit: Stabiliteit, bereikbaarheid, lengte van het verifieerbare spoor
• Betaalgegevens voor nutsvoorzieningen en huur: Bereidheid om terugkerende verplichtingen na te komen
• Transactiegegevens van handelaren of POS-terminals: Geverifieerde bedrijfsomzet en seizoensgebondenheid
• Psychometrische beoordeling: Houdingen en eigenschappen die samenhangen met terugbetaling wanneer er geen financiële historie bestaat
• Gegevens over groeps- en spaarregelingen: Bijdragediscipline en aanzien onder gelijken

De mobielgeldhistorie is in de praktijk de sterkste hiervan, omdat ze transactioneel is in plaats van declaratief, moeilijk te vervalsen en dicht genoeg om seizoensgebondenheid zichtbaar te maken. Ze is ook het gevoeligst: het is een volledig verslag van iemands financiële leven, en voor het gebruik ervan zijn een wettelijke grondslag, geïnformeerde toestemming en verdedigbare bewaartermijnen vereist volgens de gegevensbeschermingswetgeving van elke markt waarin u actief bent. De compliancevraag is hier geen formaliteit — ze is vaak de bindende beperking voor de vraag of een alternatief datamodel überhaupt kan worden ingezet.

Scoring en beoordeling

• Kosten per beslissing: Bijna nul (Scoring) vs. hoog (oordeelkundige beoordeling)
• Snelheid: Seconden (Scoring) vs. uren tot dagen (oordeelkundige beoordeling)
• Consistentie: Volledig (Scoring) vs. variërend per medewerker en per dag (oordeelkundige beoordeling)
• Leners met een dun dossier: Slecht behandeld (Scoring) vs. goed behandeld (oordeelkundige beoordeling)
• Ongebruikelijke of complexe gevallen: Slecht behandeld (Scoring) vs. goed behandeld (oordeelkundige beoordeling)
• Controleerbaarheid van de toegepaste regel: Volledig (Scoring) vs. gedeeltelijk (oordeelkundige beoordeling)
• Benodigde gegevens om op te bouwen: Aanzienlijk (Scoring) vs. geen (oordeelkundige beoordeling)

De realistische structuur voor de meeste kredietverstrekkers is niet het een of het ander. Scoring handelt het volume af — kleine leningen, terugkerende leners, standaardproducten — en beoordeling handelt de doorverwijzingen, de grotere eerste leners en de uitzonderingen af. Bepalen welke leningen welk traject volgen is een beleidskeuze, en dat is doorgaans een beter eerste project dan proberen alles te scoren.

Wat te doen voordat u voldoende data hebt

Een kredietverstrekker met 800 leningen en 40 wanbetalingen kan geen statistisch valide scorecard bouwen, en er toch een bouwen levert een model op dat ruis vastlegt met de schijn van degelijkheid. De volgorde die werkt:

1. Schrijf de beleidsregels eerst op. Harde uitsluitingscriteria en toelatingscriteria, consequent toegepast. Dit is geen scoring, maar het levert het grootste deel van het consistentievoordeel meteen op.
2. Leg de gegevens vast die u later nodig hebt. Elk kenmerk dat u mogelijk wilt modelleren, moet bij de aanvraag worden vastgelegd, in gestructureerde velden, vanaf nu — ook op de aanvragen die u afwijst. Een model dat alleen op goedgekeurde leningen is gebouwd, is blind voor de aanvragers die u hebt afgewezen, en dat gat is achteraf niet meer te herstellen.
3. Definieer wanbetaling en registreer de achterstandsstatus consistent zodat prestaties meetbaar zijn wanneer het zover is.
4. Begin met gedragsscoring bij terugkerende leners, waar de data van jezelf is en het snelst binnenkomt.
5. Bouw de aanvraagscorecard zodra er een voldoende bestand aan gerijpte leningen is met echte wanbetalingen.
6. Herijk, en blijf herijken.

Cut-offstrategie

De cut-off, niet het model, bepaalt het bedrijfsresultaat. Als je de cut-off verplaatst, ruil je volume in tegen verlies, en die ruil is de daadwerkelijke beslissing.

Illustratieve cijfers voor één portefeuille:

• Cut-off 50: 78% goedkeuringspercentage, 9.5% wanbetalingspercentage onder goedgekeurden
• Cut-off 60: 64% goedkeuringspercentage, 6.2% wanbetalingspercentage onder goedgekeurden
• Cut-off 70: 47% goedkeuringspercentage, 3.8% wanbetalingspercentage onder goedgekeurden
• Cut-off 80: 29% goedkeuringspercentage, 2.1% wanbetalingspercentage onder goedgekeurden

Er is geen juiste rij. De juiste cut-off is degene die de winst maximaliseert gegeven de marge van het product, de kosten van een verworven klant, de incassokosten en de risicobereidheid van de kredietverstrekker — en een product met een hoge marge en korte looptijd kan rationeel een wanbetalingspercentage accepteren dat een product met een dunne marge en onderpand zou ruïneren.

De swapset is de nuttige invalshoek bij het veranderen van een cut-off of het vervangen van een model: niet hoeveel aanvragers worden geraakt, maar welke aanvragers. Een nieuw model dat evenveel leningen goedkeurt en tegelijkertijd een deel slechte accounts inruilt voor een deel goede accounts, verbetert de portefeuille zonder het volume te veranderen.

Meten of een scorecard werkt

Discriminerend vermogen — het vermogen van het model om goede van slechte kredieten te onderscheiden — wordt meestal gerapporteerd als de Gini-coëfficiënt, KS-statistiek of AUC. Hoger is beter, alle drie bewegen samen, en wat als acceptabel geldt hangt sterk af van de portefeuille en de beschikbare data; een op een dun kredietdossier gebaseerde microkredietscorecard zal niet het discriminerend vermogen van een volwassen model voor gedekte kredietverlening halen en moet daar ook niet tegen worden afgezet.

Twee fouten komen vaker voor dan een zwak discriminerend vermogen bij de bouw:

Populatiedrift. De aanvragers die vandaag binnenkomen verschillen van de ontwikkelsteekproef — nieuw kanaal, nieuw product, nieuwe geografie, nieuwe marketing. Populatiestabiliteitsmonitoring signaleert dit, en het is de meest voorkomende reden waarom een scorecard die goed valideerde in productie achteruitgaat.

Kalibratiedrift. De rangorde werkt nog, maar de verliespercentages die aan elke scoreband zijn gekoppeld, zijn verschoven, meestal omdat de omstandigheden zijn veranderd. De scorecard sorteert nog steeds correct, terwijl de afkapwaarde stilletjes verkeerd is geworden.

Beide worden gevonden door monitoring, en monitoring is het onderdeel van scoring dat het laatst wordt gebouwd en het eerst wordt opgegeven.

Risico's en beperkingen

Proxy-discriminatie. Een model dat beschermde kenmerken uitsluit, kan nog steeds discrimineren via variabelen die daarmee samenhangen — locatie, type telefoon, patronen in namen, werkgever. Dit gebeurt zonder dat iemand dat beoogt, en het wordt alleen opgemerkt door bewust uitkomsten over groepen heen te testen.

Uitlegbaarheid en nadelige beslissingen. In veel rechtsgebieden moet een afgewezen aanvrager te horen krijgen waarom. Een op punten gebaseerde scorecard kan dit rechtstreeks beantwoorden door aan te geven welke kenmerken de meeste punten hebben gekost. Complexere machine learning-modellen kunnen dat niet altijd zonder extra werk, wat een actuele regelgevende beperking is en geen technisch ongemak.

Zelfvervullende data. Aanvragers die je afwijst leveren geen prestatiegegevens op, dus het model leert nooit of het hen correct had beoordeeld, en de populatie die het ziet wordt in de loop van de tijd kleiner.

Gaming. Zodra de regel bekend is, wordt er strategisch op ingespeeld — door kredietnemers, door tussenpersonen en door medewerkers met volumedoelstellingen. Kenmerken die goedkoop te manipuleren zijn, degraderen het snelst.

Structurele breuken. Een model dat is gebouwd op data van vóór een schok beschrijft geen populatie na een schok. Valutabewegingen, sectorinstorting, beleidswijzigingen en pandemieën doorbreken allemaal de aanname dat het verleden de toekomst voorspelt.

Schijnnauwkeurigheid. Een score van 68 oogt nauwkeuriger dan "redelijk kredietwaardig". Dat is het niet. De onderliggende schatting heeft een betrouwbaarheidsinterval dat niemand toont.

Waar kredietscoring in de praktijk misgaat

Een generiek model kopen en het ongewijzigd toepassen. Een scorecard die is ontwikkeld op een andere populatie, een ander product en een andere markt, is een starthypothese, geen beslissingsregel.

Alleen bouwen op goedgekeurde leningen. Reject inference bestaat juist omdat deze bias ernstig en onzichtbaar is.

Nooit herkalibreren. Een scorecard is een momentopname van een populatie. Laat je hem vier jaar met rust, dan wordt hij decoratie.

Voortdurend overrulen. Als kredietbeoordelaars een groot deel van de beslissingen overrulen, klopt ofwel het model niet of kloppen de overrides niet, en niemand houdt bij wat het geval is. Het overridepercentage en de overrideprestaties zijn de twee cijfers die dat beantwoorden.

Scoren zonder een grondslag voor gegevensbescherming. Vooral alternatieve datamodellen zijn gebaseerd op persoonsgegevens waarvoor een wettelijke grondslag nodig is om ze te verzamelen, te verwerken en te bewaren. Compliance achteraf inbouwen na implementatie is veel moeilijker dan er vanaf het ontwerp rekening mee te houden.

De score verwarren met de beoordeling. De score schat de bereidheid en de waarschijnlijkheid in. Hij verifieert de identiteit niet, bevestigt het doel van de lening niet, stelt de waarde of afdwingbaarheid van het onderpand niet vast en controleert niet of de zekerheidsdocumenten echt zijn.