Det har riktats mycket kritik mot snabblåneföretagens tillvägagångssätt att låna ut pengar. Antalet obetalda snabblån har ökat och allt fler personer skuldsätter sig. Enligt Kronofogdemyndighetens statistik från år 2012 har antalet betalningsföreläggande angående snabblån ökat till 53 709 ärenden, vilket är en ökning med 62 % jämfört med år 2011. Trots att det har införts krav på att genomföra kreditprövning har 16 av 22 snabblåneföretag varnats av Konsumentverket för bristfälliga kreditprövningar. Studiens syfte är att undersöka hur kreditprocessen genomförs vid snabblån. För att skapa en helhetsbild av bristfälliga kreditprövningar och återbetalningsproblem har snabblåneföretag, Konsumentverket, Kronofogden och Svea inkassos perspektiv undersökts. Resultatet visar att de undersökta företagens kreditprövning skiljer sig en aning från varandra för att de tillämpar olika kreditscoringmodeller och inhämtar information från kunden på olika sätt. Företagen har utvecklat och förbättrat sin kreditprövning vilket har medfört att återbetalningsproblem minskat bland deras kunder. Konsumentverket har endast granskat 22 av 50 snabblåneföretag men kan konstatera att de företag som varnats har förbättrat sin kreditprövning. Kronofogdens statistik har inte beräknats i relation till hur mycket branschen ökat, hur många lån varje snabblåneföretag beviljat samt hur många skulder företagen lämnat över till inkassobolag för indrivning. En slutsats som kan dras är att samtliga intressenter saknar en helhetsbild av snabblånemarknaden. Kronofogdens statistik saknar relationstal, Konsumentverket har inte granskat hela branschen och snabblåneföretagen har inget gemensamt kundregister. Slutligen kan författarna se att det finns ett samband mellan bristfälliga kreditprövningar och återbetalningsproblem. Samtidigt är bristfälliga kreditprövningar inte den enda orsaken till återbetalningsproblem.

Der Aufstieg des maschinellen Lernens (ML) und die rasante Digitalisierung der Wirtschaft haben die Entscheidungsprozesse in der Finanzbranche erheblich verändert. Finanzinstitute setzen zunehmend auf ML, um die Entscheidungsfindung zu unterstützen. Kreditscoring ist eine der wichtigsten ML-Anwendungen im Finanzbereich. Die Aufgabe von Kreditscoring ist die Unterscheidung ob ein Antragsteller einen Kredit zurückzahlen wird. Finanzinstitute verwenden ML, um Scorecards zu entwickeln, die die Ausfallwahrscheinlichkeit eines Kreditnehmers einschätzen und Genehmigungsentscheidungen automatisieren. Diese Dissertation konzentriert sich auf drei große Herausforderungen, die mit dem Aufbau von ML-basierten Scorekarten für die Bewertung von Verbraucherkrediten verbunden sind: (i) Optimierung von Datenerfassungs- und -speicherkosten bei hochdimensionalen Daten von Kreditantragstellern; (ii) Bewältigung der negativen Auswirkungen von Stichprobenverzerrungen auf das Training und die Bewertung von Scorekarten; (iii) Messung und Sicherstellung der Fairness von Instrumenten bei gleichzeitig hoher Rentabilität. Die Arbeit bietet und testet eine Reihe von Instrumenten, um jede dieser Herausforderungen zu lösen und die Entscheidungsfindung in Finanzinstituten zu verbessern. Erstens entwickeln wir Strategien zur Auswahl von Merkmalen, die mehrere unternehmensbezogene Zielfunktionen optimieren. Unsere Vorschläge reduzieren die Kosten der Datenerfassung und verbessern die Rentabilität der Modelle. Zweitens schlagen wir Methoden zur Abschwächung der negativen Auswirkungen von Stichprobenverzerrungen vor. Unsere Vorschläge gleichen die Verluste aufgrund von Verzerrungen teilweise aus und liefern zuverlässigere Schätzungen der künftigen Scorecard-Leistung. Drittens untersucht die Arbeit faire ML-Praktiken in Kreditscoring. Wir katalogisieren geeignete algorithmische Optionen für die Einbeziehung von Fairness-Zielen und verdeutlichen den Kompromiss zwischen Gewinn und Fairness. / The rise of machine learning (ML) and the rapid digitization of the economy has substantially changed decision processes in the financial industry. Financial institutions increasingly rely on ML to support decision-making. Credit scoring is one of the prominent ML applications in finance. The task of credit scoring is to distinguish between applicants who will pay back the loan or default. Financial institutions use ML to develop scoring models to estimate a borrower's probability of default and automate approval decisions. This dissertation focuses on three major challenges associated with building ML-based scorecards in consumer credit scoring: (i) optimizing data acquisition and storage costs when dealing with high-dimensional data of loan applicants; (ii) addressing the adverse effects of sampling bias on training and evaluation of scoring models; (iii) measuring and ensuring the scorecard fairness while maintaining high profitability. The thesis offers a set of tools to remedy each of these challenges and improve decision-making practices in financial institutions. First, we develop feature selection strategies that optimize multiple business-inspired objectives. Our propositions reduce data acquisition costs and improve model profitability and interpretability. Second, the thesis illustrates the adverse effects of sampling bias on model training and evaluation and suggests novel bias correction frameworks. The proposed methods partly recover the loss due to bias, provide more reliable estimates of the future scorecard performance and increase the resulting model profitability. Third, the thesis investigates fair ML practices in consumer credit scoring. We catalog algorithmic options for incorporating fairness goals in the model development pipeline and perform empirical experiments to clarify the profit-fairness trade-off in lending decisions and identify suitable options to implement fair credit scoring and measure the scorecard fairness.