This paper investigates the potential advantages of using machine learning algorithms to predict decisions on microloan applications at a bank that operates in a least-developed country. A challenger model was constructed using gradient boosting and the results were compared to the current scorecard. The performance and interpretability of both models were evaluated, revealing that the challenger model boasts higher precision, leading to a decreased rate of incorrect rejections. However, the overall performance difference is marginal, and the test sample is too small to draw definitive conclusions regarding precision. Instead, it is proposed that automating approvals rather than rejections may be a more efficient and beneficial solution for both the bank and its clients. The study concludes that machine learning holds significant potential in financial applications beyond credit decision modelling, particularly in less developed countries.
Diese Arbeit untersucht die potenziellen Vorteile des Einsatzes von Algorithmen des maschinellen Lernens zur Vorhersage von Entscheidungen über Mikrokreditanträge bei einer Bank in einem Least Developed Country. Es wurde ein Challenger-Modell unter Verwendung von Gradient Boosting entwickelt, dessen Ergebnisse mit der aktuell verwendeten Scorecard verglichen wurden. Die Leistung und die Interpretierbarkeit beider Modelle wurden untersucht, wobei sich zeigte, dass das Challenger-Modell eine höhere Präzision aufweist, was zu einer geringeren Rate falscher Ablehnungen führt. Der Gesamtleistungsunterschied ist hingegen marginal. Insgesamt ist die Teststichprobe zu klein, um endgültige Schlussfolgerungen in Bezug auf die Genauigkeit zu ziehen. Stattdessen wird vorgeschlagen, dass die Automatisierung von Genehmigungen anstelle von Ablehnungen eine effizientere und vorteilhaftere Lösung sowohl für die Bank als auch für ihre Kunden darstellen könnte. Die Studie kommt zu dem Schluss, dass das maschinelle Lernen über die Modellierung von Kreditentscheidungen hinaus ein erhebliches Potenzial für Anwendungen im Finanzbereich bietet, insbesondere in niedrig entwickelten Ländern.
