Ved å sette en risikokarakter på sine kunder kan bankene få svar på hvor sannsynlig det er at de vil misligholde eller overholde de ulike finansieringsavtalene de søker på. Fremgangsmåten for å beregne disse skårene eller risikokarakterene varierer lite fra produkt til produkt, mens anvendelsen av modellene henger igjen tett sammen med størrelsen på finansieringen. Eksponeringens størrelse avgjør således om den kan beregnes automatisk eller om den også bør beregnes manuelt. Eksempelvis vil en person som ønsker å ta opp 10 millioner i boliglån bli gitt en risikokarakter basert på en manuell kredittvurderingsprosess, mens personer som ønsker å skaffe kredittkort og billån, i større grad vil bli gitt risikokarakterer utelukkende ved automodellering, siden man tåler at noen ikke vil overholde avtalen, samtidig som det er en enklere og mer presis risiko å beregne. I disse modellene beregnes det skårer som avgjør om det er sannsynlig om man vil misligholde eller overholde avtalen, som igjen avgjør om man vil få innvilget søknaden eller ikke.
Logistisk regresjonsanalyse
I denne modellutviklingen benyttes det en logistisk regresjonsanalyse hvor det beregnes en enten-eller-sannsynlighet, altså sannsynligheten for om man misligholder eller betaler i henhold til avtalen. Utfallet av saken vil derfor være den avhengige variabelen, mens driverne for risiko vil være de uavhengige variablene. Typiske standarddrivere for risiko kan være alder, inntekt, sivil status, formue, om man eier bolig og lengden på nedbetalingstiden etc. Disse varierer også fra modell til modell ut i fra hvilket produkt det er snakk om og vektes derfor deretter. Eksempelvis vil andel egenkapital ha større betydning ved finansiering av bilkjøp enn ved kredittkortinnvilgelse, der egenkapital ikke er aktuelt.
Best practice
Baselregelverket gir krav til hva disse modellene inneholder og hva som er standarder for god modellering, altså best «practice». Dette fører til at de fleste banker i dag operer med standardiserte modeller som tar sikte på å være stabile over flere år, selv om det kan innebære at man mister noen viktige uavhengige variabler for hver enkelt case. I tillegg passer Datatilsynet på at bankene ikke bryter med personvernet og således bruker ulovlig kundeinformasjon som innsikt i sine vurderinger. Eksempelvis ville det vært fordelaktig å vite hvor mange avslag kunder har fått i tidligere vurderinger når en skal vurdere en ny søknad.
Modelleringsprosessen
I utviklingen av disse modellene er det først og fremst viktig å ha et godt datagrunnlag som inneholder tilstrekkelig med observasjoner, og se hvordan fordelingen mellom dårlige og gode kunder fordeler seg, altså utfallet av observasjonene. Deretter vil man forsøke å finne ut hvilke variabler som er viktige i forhold til å forklare observert betalingsatferd og videre rangere dem etter forklaringskraft. Dernest begynner delen med logistisk regresjon og det som kalles for multivariat modellering, før man til slutt tester modellen opp mot et utvalg som er uavhengig av datagrunnlaget som er brukt i modelleringen.