Sliter du med å få lån til drømmeboligen? Det kan være banken gjør deg en tjeneste ved å si nei, men konklusjonen også kan være urettferdig hvis du egentlig er veldig flink med penger.

– Håvard tar kanskje mange glass på byen mens Nikolai spiser knekkebrød. Håvard tjener kanskje mer, men Nikolai er flinkere til å spare, sier Steffen Sjursen, og nikker mot stipendiat Håvard Kvamme ved universitetet i Oslo og forsker Nikolai Sellereite fra Norsk Regnesentral.

Eksempelet er rent hypotetisk og skal illustrere problemet forskerne er med på å løse for DNB. For med dagens metoder for å godkjenne lånesøknader tar man lite hensyn til om søkeren er flink med økonomien. Faren for mislighold kan være svært forskjellig selv om folk har samme inntekt.

Flere får ja - noen nei

Det siste året har DNB, Norsk Regnesentral og stipendiat Kvamme forsket på hvordan de kan lære en robot å se forskjell på risikable og trygge kunder. Dette gjør de ved å studere bevegelsene på kontoene dine gjennom et år. Resultatene er oppløftende. 

– Vi vil kunne si ja til enkelte kunder vi sier nei til i dag. Og for de vi sier nei til vil det være god kunderådgivning, så de ikke får en gjeld de ikke klarer å betjene, sier Tron Even Skyberg, Divisjonsdirektør og leder for risikokvantifisering i DNB. 

DNB regner med å kunne øke andelen av kundene de regner som «lavrisiko» fra 80 til 95 prosent av kundemassen, noe som gjør det mulig å forenkle og automatisere lånegodkjenningen. Resten av kundene vil trolig bli sendt til en manuell gjennomgang.

- Vi vil neppe bruke dette til å si automatisk nei, sier han. 

Han understreker at de ikke undersøker hvor kunden har brukt penger, eller på hva. Analysen er basert på bevegelsene på saldo. Et ekstremt forbruk av knekkebrød kan dermed gi samme utslag som hyppige barbesøk.

Én prosent gir store tap

Ifølge DNB er den nye metoden litt bedre enn dagens strategi for å identifisere risikable kunder, og når metodene kombineres kan det trolig redusere bankens tap betydelig.

- Den verste prosenten av porteføljen rangert etter dette systemet står for halvparten av misligholdene, sier Skyberg.

Forskerne mener ingen andre har gjort dette før, og har skrevet en vitenskapelig artikkel om temaet, som er sendt til godkjennelse hos et finansielt forskningstidsskrift.

Foreløpig har de kun sett på faren for mislighold hos private boliglånskunder, men metoden kan trolig også brukes på billån og lån til bedrifter. Liknende metoder kan trolig også brukes til å beregne hvor mye hver enkelt kundene tåler å låne.  

-De første resultatene er så gode at vi er veldig teknologioptimister. Det er en kjempeoppside for både oss og kundene, mener Skyberg.

Hva slår ut?

Men hva slags kontobevegelser kjennetegner egentlig en trygg og en risikabel lånekunde? Ifølge forskerne var en del av mønstrene som ventet, andre mer overraskende, og noen vanskelige å forstå at man kun ser mønsteret ved hjelp av maskiner som lærer.

-Vi må skape tillit til modellen. Vanligvis har vi intuitive og transparente modeller som forklarer resultatet. Her er det subtile sammenhenger som er funnet gjennom testing, sier Skyberg.

-Så dere vet ikke helt hvorfor det fungerer, bare at det fungerer? 

-Ja, sier Kjersti Aas i Norsk Regnesentral.

Blant de klare funnene er at store svingninger er negativt, mens regelmessige mønstre kan tyde på en stabil kunde. Lange perioder uten innskudd er også negativt.

-Vi er blitt litt overrasket over en del av mønstrene, mens andre var som forventet, sier Aas. Skyberg mener det skal godt gjøres å tilpasse pengebruken for å lure systemet.

Ubehag?

Bruk av maskinlæring, «big data» og roboter som tar automatiske beslutninger er på full fart inn i flere bransjer, særlig innen bank og finans, sier fagdirektør Catharina Nes i Datatilsynet.

- Folk forventer ikke at forbruksmønsteret deres blir analysert og kan få konsekvenser for om de får lån eller ikke. Det er viktig at man ikke går i gang med slike analyser uten at kundene er informert om dette, sier hun.

Hun sier automatiserte beslutninger om lån kan får store konsekvenser, og må være rettferdige og etterprøvbare.

- Beslutningene kan jo bli mer rettferdige, hvis de som er flinke til å spare får lån?

- Det er ikke vår holdning at man ikke skal kunne bruke slike profileringsmetoder, men det er viktig at virksomhetene har et bevissthet i forhold til beslutningene som algoritmene fatter, og kontrollerer at de ikke blir skjeve eller fungerer diskriminerende, sier Nes.

Hun påpeker at nye former for dataanalyse i verste fall kan oppleves som overvåking.

- Hvis vi hele tiden skal ha i bakhodet at opplysninger om oss blir analysert og kan få konsekvenser for oss på sikt, for eksempel for om vi får lån eller ikke, kan det fungere styrende på vår adferd, sier hun.

Svart boks

Nye personvernregler som innføres i 2018 gir kundene rett til å si nei til å bli profilert, samt at de har rett til å få innsyn i hvordan automatiske beslutninger er fattet. Dette er ikke alltid så enkelt.

- Det er en kjempeutfording at det lages systemer som er som «svarte bokser», maskiner som tar beslutninger uten at man er i stand til å forklare hvorfor beslutningen ble som den ble, sier hun.

Hun mener det er viktig at man også har manuelle rutiner for de som får avslag.(Vilkår)Copyright Dagens Næringsliv AS og/eller våre leverandører. Vi vil gjerne at du deler våre saker ved bruk av lenke, som leder direkte til våre sider. Kopiering eller annen form for bruk av hele eller deler av innholdet, kan kun skje etter skriftlig tillatelse eller som tillatt ved lov. For ytterligere vilkår se her.