Scorekortet: modellen bak beslutningen

«Systemet sa nei.» Det er den setningen folk får, og den er både sann og ubrukelig. Bak den ligger et scorekort: en statistisk modell som gir hver søker et tall, og som er bygget på hvordan tidligere kunder faktisk betalte.

Modellen er ingen dommer og ingen personvurdering. Den er nærmere beslektet med en værmelding. Den sier at av hundre søkere som ligner på deg på de punktene modellen måler, misligholdt så og så mange. Om du blir en av dem, vet den ikke, og den påstår ikke å vite det.

Et scorekort er statistikk over andre

Et scorekort bygges på en periode som allerede er over. Utvikleren tar et stort utvalg kunder fra en avsluttet periode, ser hvordan det gikk med hver av dem, og leter etter hvilke kjennetegn ved dem som skilte de som betalte fra de som ikke gjorde det.

Resultatet er en oppskrift: en samling kjennetegn som hver bidrar med sin del av tallet. Kjennetegnene er slike som følger av opplysningene kreditor har lov til å bruke, som inntekt, gjeld, hvor lenge engasjementer har eksistert og om det finnes anmerkninger. Selve vektene er forretningshemmeligheter, og ingen norsk kreditor eller kredittopplysningsforetak publiserer dem.

Det er verdt å ta inn over seg hva det innebærer. Modellen kjenner ingen historie, den hører ingen forklaring, og den vet ikke at inntekten din falt fordi du var sykmeldt et halvår. Den ser bare mønsteret.

Slik blir en modell til

Fire trinn går igjen, uansett hvem som bygger.

1. Utfallet defineres. Hva skal modellen forutsi? Som regel mislighold innenfor en fastsatt periode fremover, gjerne omtrent et år. Definisjonen avgjør alt annet.
2. Et historisk utvalg hentes. Kunder fra en avsluttet periode, med de opplysningene som forelå da søknaden kom inn, og med fasiten for hvordan det gikk.
3. Kjennetegn velges ut og vektes. Statistiske metoder finner hvilke opplysninger som faktisk skiller gruppene, og hvor mye hver av dem bidrar. Kjennetegn som ikke skiller, faller ut.
4. Modellen testes på data den ikke er bygget på. Fungerer den bare på utvalget den ble laget fra, er den verdiløs. Den skal treffe på en annen periode og på andre kunder.

Er alle fire trinn gjort ordentlig, får kreditor et verktøy som rangerer søkere etter risiko. Det er alt det gjør. Rangeringen sier ikke hvem som skal få lån.

Sannsynlighet, ikke karakter

Utdataene fra et scorekort er en sannsynlighet, ofte omregnet til et tall på en skala foretaket har valgt selv. Skalaen er intern, og den kan ikke sammenlignes med andres.

Dette er grunnen til at det ikke gir mening å spørre hva som er en «god» score i Norge uten å si hvem som satte den. Det er også grunnen til at tallet ditt kan bevege seg uten at du har gjort noe: modellen kan være byttet ut, og skalaen med den. Byråenes side av dette er tema i hva kredittscore er og i slik beregnes scoren.

Ta Jonas og Sara. Begge er 29 år, begge tjener 540 000 kroner, og ingen av dem har anmerkninger. Jonas har hatt samme lønnskonto i ti år og ett kredittkort han har hatt lenge. Sara flyttet hjem fra utlandet i fjor, har kontoen sin fra i høst og tre ferske kreditter tatt opp i løpet av våren. Modellen ser to ulike mønstre, og gir to ulike tall, uten at noen av dem har gjort noe galt. Saras tall handler om at det finnes lite å måle på, ikke om at hun er en dårlig betaler.

Grensen kreditor setter, er en forretningsbeslutning

Modellen leverer et tall. Hva som er godt nok, bestemmer kreditor.

Den samme søkeren, med det samme tallet, kan derfor bli godtatt av én kredittyter og avvist av en annen. Grensen settes ut fra hvor mye tap virksomheten tåler, hvilken pris den tar, hvor hardt den vil vokse, og hva ledelsen har bestemt om risikoappetitt. Den settes ikke ut fra hva som er rettferdig overfor deg.

Grensen er dessuten bare én av flere siler. Over og under den ligger policyreglene, som gir nei uansett hvor sterkt tallet er, og ved lån ligger forskriftskravene i tillegg. Hvordan de ulike hensynene veier mot hverandre, er tema i slik vektes opplysningene.

Kreditor har som regel to modeller, ikke én

Er du ny kunde, brukes en søknadsmodell. Den har lite å gå på: opplysningene fra søknaden, oppslaget hos kredittopplysningsforetaket og registrene.

Er du allerede kunde, finnes det en modell til. Den bygger på hvordan du faktisk har oppført deg hos akkurat denne kreditoren: om terminbeløpene har kommet i tide, om kortet trekkes opp til taket hver måned, om kontoen går i null før lønning. Det er den modellen som gjør at banken din kan si ja der andre sier nei, uten at noen av dem har sett noe den andre ikke fikk se.

For deg betyr det at lang og ryddig kundehistorikk ett sted har en verdi som ikke følger med når du flytter. Det er en av grunnene til at det å bytte bank midt i en søknadsprosess sjelden lønner seg.

Modeller går ut på dato

En modell er bygget på en verden som var. Renten var en annen, arbeidsmarkedet var et annet, og kredittproduktene var andre. Etter hvert som virkeligheten flytter seg, treffer modellen dårligere.

Derfor overvåkes modeller løpende, og de bygges om med jevne mellomrom. Blir de det ikke, oppstår to problemer samtidig: kreditor taper penger på kunder modellen sa var trygge, og avviser kunder som ville betalt. Ingen av delene er bra, og det er kreditors eget insentiv til å holde modellen i form.

Konsekvensen for deg er verdt å merke seg. At en søknad ble avslått for tre år siden, sier lite om utfallet i dag, selv om økonomien din er lik. Modellen som avslo, finnes kanskje ikke lenger.

Derfor svarer to modeller ulikt på samme person

Fire forskjeller er nok til å gi ulikt utfall:

Ingen av modellene er «riktig». De svarer på litt ulike spørsmål, stilt av virksomheter med ulik risikovilje. Har du plettfri historikk og likevel et skuffende tall, ligger forklaringene som regel i denne mekanikken, og de er gjennomgått i lav score uten betalingsanmerkninger.

Det modellen ikke har lov til

Statistisk treffsikkerhet gir ingen fritak fra reglene. Opplysninger om helse, etnisitet, religion, politisk oppfatning, seksuell orientering, fagforeningsmedlemskap og straffedommer kan ikke brukes i kredittopplysningsvirksomhet, uansett hvor godt de måtte skille i et datasett.

Og modellen kan ikke være siste ord i alle saker. Ved avslag som bygger på automatisert behandling, skal du varsles uten ugrunnet opphold og få vite at det bygger på databasesøk, sammen med resultatet av søket og opplysninger om databasen. Personvernregelverket gir i tillegg rett til menneskelig vurdering av helautomatiserte avgjørelser med betydelig virkning for deg. Begge deler er utdypet i automatisk eller manuell vurdering og i GDPR og automatiserte avgjørelser.