Maskinlæring i lånesøknader handler om å forutsi sannsynligheten for at du betaler tilbake i tide. Algoritmer analyserer store mengder opplysninger på sekunder og gir banken en risikoscore som brukes til å avgjøre om du får tilbud, og til hvilke vilkår. Riktig brukt gir dette raskere svar og mer treffsikre beslutninger.

Som søker merker du det som mer personlig prising (forskjellig rente og kredittramme), mindre dokumentkrav når data kan innhentes automatisk, og raskere svar – ofte i løpet av minutter. Nedenfor går vi gjennom hvordan dette faktisk fungerer i praksis.

Hva maskinlæring gjør i en lånesøknad

Kjernen er å beregne en risikoscore fra opplysninger i og rundt søknaden. Denne scoren estimerer sannsynlighet for mislighold og påvirker om søknaden godkjennes, hvilken rente du får og hvor mye du kan låne. Dette er altså svaret på hvordan maskinlæring fungerer i lånesøknad.

• Risikomodellering: Forutser sannsynlighet for tilbakebetaling basert på inntekt, gjeld, betalingshistorikk m.m.
• Svindeldeteksjon: Avdekker uvanlige mønstre (for eksempel uvanlig høy gjeldsøkning eller sprik i opplysninger).
• Prising og rammer: Setter rente og kredittramme i tråd med estimert risiko.
• Arbeidsflyt: Sender «åpenbare ja» til automatisk godkjenning og «grensesaker» til manuell vurdering.
• Kundereise: Kan redusere friksjon ved å be om færre dokumenter når data kan verifiseres automatisk.

Algoritmene er trenet på historiske utfall (for eksempel om tidligere lån ble betalt som avtalt). En enkel analogi er bilforsikring: jo lavere risiko, desto lavere premie. For lån betyr lavere risiko ofte lavere rente.

Dataene som brukes

Hvilke datapunkter som inngår, varierer mellom banker og formidlere. Fellesnevneren er at de bruker opplysninger som er relevante for å vurdere betalingsevne og risiko, og som kan behandles lovlig med grunnlag i søknaden og gjeldende regelverk.

• Søknadsdata: Inntekt, utgifter, arbeidssituasjon, bostatus og ønsket beløp/nedbetalingstid.
• Kredittopplysninger: Historikk på betalingsanmerkninger, forespørsler og kredittengasjementer.
• Gjeldsregister: Oversikt over usikret gjeld og kredittkortgrenser gir bilde av total gjeldsbelastning.
• Kontodata (med samtykke): Enkelte aktører bruker kontoutskrifter via PSD2/Open Banking for å bekrefte inntekt og typiske utgifter.
• Tekniske signaler: Enkel risikoindikasjon fra enhet/nettleser og søknadsflyt (for å avdekke åpenbare uregelmessigheter).

Seriøse aktører fokuserer på økonomisk relevante data og unngår sensitive opplysninger som ikke er nødvendige for kredittvurdering. Du kan be om innsyn i hvilke data som behandles, og hvorfor de er nødvendige.

Fra data til score: steg for steg

1. Innhenting: Systemet mottar søknadsfelt, kredittopplysninger og eventuelle kontodata du har samtykket til å dele.
2. Rensing og kvalitet: Manglende eller åpenbart feil data håndteres, og formater normaliseres.
3. Feature engineering: Rådata omformes til målbare kjennetegn, f.eks. gjeldsgrad, andel brukt kreditt, varians i inntekt.
4. Modellscore: En modell (ofte logistisk regresjon, gradient boosting eller lignende) beregner misligholdssannsynlighet.
5. Regler og policy: Banken bruker terskler og policyregler (f.eks. maks gjeldsgrad) sammen med scoren.
6. Tilbud og vilkår: Rente og beløp settes risikobasert; grensetilfeller kan sendes til manuell vurdering.

Eksempel: risikobasert renteberegning

Anta to søkere med like lån men ulik risiko. Søker A har stabil inntekt, lav gjeldsgrad og ryddig betalingshistorikk. Søker B har høy utnyttelse av kredittkort og varierende inntekter. Modellen estimerer lavere misligholdsrisiko for A enn for B, og A tilbys normalt lavere rente og/eller høyere kredittramme. Tallene varierer fra bank til bank, men prinsippet er det samme: lavere estimert risiko gir bedre vilkår.

Viktig: Den mest direkte måten å påvirke vilkårene på er å redusere modellens estimerte risiko før du søker – for eksempel ved å senke gjeldsgrad og unngå høy utnyttelse av kredittkort.

Hvordan påvirker modellen deg som søker

• Raskere svar: Mange avgjørelser kan tas automatisk på sekunder.
• Individuelle vilkår: Rente og låneramme tilpasses din estimerte risiko, ikke et gjennomsnitt.
• Dokumentasjon ved behov: Der data ikke er nok, etterspørres lønnsslipper, skattemelding eller kontoutskrift.
• Manuell vurdering: Grensesaker, uvanlige mønstre eller manglende data kan løftes til en kredittmedarbeider.

Vil du teste markedet uten forpliktelse, kan du be om tilbud fra flere aktører samtidig. Da ser du spennet i rente og betingelser. Se gjerne vår sammenlikning av lån for å få oversikt.

Fordeler og ulemper

Fordeler

• Hurtighet: Fra søknad til svar på minutter.
• Presisjon: Flere datapunkter gir mer treffsikker risikovurdering enn faste sjablonger.
• Likebehandling i regler: Samme policy og terskler for like saker reduserer vilkårlig forskjellsbehandling.

Ulemper

• Begrenset innsyn: Det kan være vanskelig å forstå nøyaktig hvorfor scoren ble som den ble.
• Avhengig av datakvalitet: Feil i opplysninger kan slå uheldig ut.
• Risiko for skjevheter: Modeller trent på historikk kan videreføre uønskede mønstre hvis de ikke kontrolleres godt.

Hva du kan gjøre før du søker

• Reduser gjeldsgrad: Betal ned dyre kredittkort eller smålån først, eller vurder å samle gjeld.
• Stabiliser inntekt: Kontinuitet i inntekt og arbeidsforhold kan virke positivt.
• Sjekk opplysninger: Se over kreditt- og gjeldsopplysninger og rett eventuelle feil.
• Senk kredittutnyttelse: Høy andel brukt kredittgrense kan tolkes som høyere risiko.
• Legg ved relevant dokumentasjon: Lønnsslipp, skattemelding og kontoutskrifter kan korte ned behandlingstiden.
• Sammenlign flere tilbud: Renten varierer mellom banker. Start gjerne med ulike lånetilbud for å se nivået.

Tips: Unngå å sende mange enkeltstående søknader på kort tid. Noen långivere vektlegger antall nylige kredittforespørsler. Å bruke én formidler kan redusere mengden duplikate forespørsler.

Rettigheter, transparens og etikk

Du har rett til å få vite hvilke opplysninger som er brukt, og til å be om forklaring på hovedårsakene til en avgjørelse. Der avgjørelsen i stor grad er automatisert, kan du normalt be om manuell gjennomgang. Se mer hos Datatilsynet.

• Innsyn: Be om en forståelig forklaring på faktorene som påvirket utfallet.
• Korrigering: Få rettet feil i data som påvirker scoren.
• Manuell vurdering: Be om menneskelig overprøving ved avslag eller urimelige vilkår.

Etisk bruk av maskinlæring innebærer jevnlige kontroller for skjevheter, oppdatering av modeller og at bare nødvendige data behandles.

Vanlige spørsmål

Bruker alle banker maskinlæring? Ikke nødvendigvis på samme måte. Noen baserer seg mest på statistiske modeller med faste regler, mens andre kombinerer dette med mer avanserte algoritmer.

Hva skjer hvis en opplysning er feil? Ta kontakt med banken eller kredittopplysningsforetaket for retting. Oppdaterte og korrekte data gir mer rettferdig score og kan endre vilkår.

Er algoritmene rettferdige? Seriøse aktører tester modeller for uønskede skjevheter og bruker policyregler for å hindre urimelige utslag. Likevel kan datakvalitet og historikk påvirke resultatet, så innsyn og manuell vurdering er viktige sikkerhetsnett.