How does a credit score relate to default risk?

A credit score is a predictive signal, typically correlated with default probability but never a perfect one, meaning some low-scoring applicants would have repaid and some high-scoring applicants will still default.

What happens if the approval threshold is set too low?

More applicants get approved, increasing interest revenue, but a higher proportion of approved applicants will default, increasing losses that can outweigh the additional revenue.

What happens if the threshold is set too high?

Fewer applicants get approved, reducing default losses, but also reducing interest revenue from applicants who would have repaid reliably, potentially leaving profitable volume on the table.

Why not just approve everyone above a very safe, very high threshold?

An overly conservative threshold turns away a large share of applicants who would have been profitable customers, sacrificing revenue growth to minimize a risk that a moderate threshold could manage acceptably.

How do lenders decide the right threshold in practice?

Lenders typically model expected profit across a range of thresholds using historical default data, often incorporating regulatory fairness constraints alongside pure profit optimization.

Home▸AI & Machine Learning▸AI Kredietscoring Lab

💳 AI Kredietscoring Lab

Een casestudy-simulatie van een kredietscoremodel: verplaats de goedkeuringsdrempel en zie het wanbetalingspercentage, goedkeuringspercentage en de omzet tegen elkaar afwegen.

AI & Machine Learning['Canvas 2D', 'Vanilla JS']Casestudy60 FPS

Casestudy: waar de goedkeuringslijn trekken

Deze casestudy simuleert een kredietverstrekker die een kredietscoremodel gebruikt om te beslissen welke leningaanvragers worden goedgekeurd. Elke aanvrager heeft een kredietscore, gecorreleerd met, maar geen perfecte voorspeller van, of hij daadwerkelijk in gebreke zal blijven op de lening. De kredietverstrekker profiteert van rente op leningen die worden terugbetaald en verliest geld, doorgaans een groot deel van het leningbedrag, op leningen die in gebreke blijven.

De goedkeuringsdrempel is hier de hele bedrijfshendel. Verlaag hem, en meer aanvragers worden goedgekeurd, wat meer renteopbrengsten genereert, maar een hoger aandeel van die goedkeuringen zal in gebreke blijven, aangezien de nieuw goedgekeurde aanvragers lager op de scoreverdeling liggen waar het wanbetalingsrisico hoger is. Verhoog hem, en wanbetalingen dalen, maar zo ook het goedkeuringsvolume en de renteopbrengsten die daarbij horen.

Deze lab simuleert duizend aanvragers met een realistische correlatie tussen score en wanbetalingsrisico en laat je de drempel direct verplaatsen, terwijl je ziet hoe het aantal goedkeuringen, wanbetalingen onder goedkeuringen, en de netto portefeuillewinst in real time reageren.

Veelgestelde vragen

Hoe verhoudt een kredietscore zich tot wanbetalingsrisico?

Een kredietscore is een voorspellend signaal, doorgaans gecorreleerd met wanbetalingskans maar nooit een perfecte, wat betekent dat sommige laagscorende aanvragers zouden hebben terugbetaald en sommige hoogscorende aanvragers alsnog in gebreke zullen blijven.

Wat gebeurt er als de goedkeuringsdrempel te laag wordt ingesteld?

Meer aanvragers worden goedgekeurd, wat de renteopbrengsten verhoogt, maar een hoger aandeel goedgekeurde aanvragers zal in gebreke blijven, wat de verliezen verhoogt en de extra opbrengsten kan overtreffen.

Wat gebeurt er als de drempel te hoog wordt ingesteld?

Minder aanvragers worden goedgekeurd, wat wanbetalingsverliezen vermindert, maar ook de renteopbrengsten vermindert van aanvragers die betrouwbaar zouden hebben terugbetaald, wat mogelijk winstgevend volume laat liggen.

Waarom niet gewoon iedereen boven een zeer veilige, zeer hoge drempel goedkeuren?

Een overdreven conservatieve drempel wijst een groot deel van de aanvragers af die winstgevende klanten zouden zijn geweest, en offert omzetgroei op om een risico te minimaliseren dat een gematigde drempel acceptabel had kunnen beheren.

Hoe bepalen kredietverstrekkers de juiste drempel in de praktijk?

Kredietverstrekkers modelleren doorgaans de verwachte winst over een reeks drempels met behulp van historische wanbetalingsgegevens, vaak met inbegrip van regelgevende eerlijkheidsbeperkingen naast pure winstoptimalisatie.

⚙ Onder de motorkap

1000 gesimuleerde aanvragers hebben kredietscores getrokken uit een normale verdeling, waarbij de wanbetalingskans van elke aanvrager wordt gegenereerd door een sigmoïdefunctie van hun score, zodat lagere scores naar hogere wanbetalingskans mappen. De drempelschuif filtert goedkeuringen live, en de netto winst telt de rentemarge op niet-in-gebreke-blijvende goedgekeurde leningen op tegen het verlies-bij-wanbetaling op in-gebreke-blijvende goedgekeurde leningen.

credit-scoringfintech-aicase-study

Canvas 2D · vanilla JavaScript · 60 FPS target · runs fully client-side, no install