Iedereen kent Dun & Bradstreet van de kredietrapporten. Maar wat schuilt er nu eigenlijk achter die kredietrapporten? Al 30 jaar zijn we druk bezig met het ontwikkelen van onze scorekaarten. En dat doen we niet zomaar. Ons doel? Voorspellen welke bedrijven in de toekomst mogelijk failliet gaan of te laat gaan betalen, allemaal gebaseerd op de overvloed aan data en informatie die we in D&B’s enorme database hebben verzameld.
Gedurende deze tijd, hebben we stevig geïnvesteerd om de voorspellende kracht, relevantie en logica van onze scoresystemen te verbeteren. Deze inspanningen hebben hun vruchten afgeworpen, want nu voeren onze scoresystemen geautomatiseerde risicobeoordelingen uit in maar liefst 41 landen over de hele wereld. Alle soorten bedrijven worden door deze systemen beoordeeld, van kleine zelfstandigen tot grote internationale ondernemingen. Dit gebeurt allemaal, ongeacht of er financiële gegevens beschikbaar zijn.
Binnen D&B worden scorekaarten al jaren ontwikkeld met de nieuwste machine learning technieken. Sinds kort hebben we voor België, er nu ook ArtificiëIe Intelligentie aan toegevoegd.
Bekijk ook: Hoe worden onze scores al een decennium lang elk jaar beter?
Waarom zijn kredietscores belangrijk?
De kredietscores zoals we die nu kennen, werden tijdens de vorige eeuw ontwikkeld in de VS, met als eerste doel het nemen van beslissingen over consumentenkrediet te vergemakkelijken. Waar voorheen beslissingen enkel werden genomen op basis van een handmatige kredietwaardigheidsbeoordeling, ondersteunen de scorekaarten dit proces met numerieke beoordelingen die de kredietwaardigheid van een prospect of klant weergeven. Hiermee kunnen risico’s beter in kaart gebracht worden, waardoor kredietverstrekkers sneller en nauwkeuriger beslissingen kunnen nemen over het verstrekken van leningen en krediet. Op basis van de scores gingen sommge bedrijven zelfs verder en automatiseerden al hele stukken van het beoordelingsproces.
De opkomst van AI in kredietscores
In de vorige eeuw begon onze sector al te onderzoeken hoe kunstmatige intelligentie (‘AI’), onder de vorm van Neurale Netwerken (of Artificiële Neurale Netwerken, kortweg ANN) ingezet konden worden voor de ontwikkeling van credit scores. Die ANN’s zijn computermodellen die geïnspireerd zijn door de structuur en werking van menselijke hersencellen. Ze zijn gemaakt om complexe patronen in gegevens te leren en te herkennen. Het uitgangsidee was dat de “kracht” van deze systemen het voorspellend vermogen van de kredietscores zou kunnen verhogen. Jammer genoeg, kwam men toen tot de vaststelling dat de extra voorspellende kracht van deze ANN’s niet groot genoeg was. Zeker als we kijken naar de complexiteit en uitlegbaarheid van dit soort modellen. Hierdoor verdween het gebruik van ANN’s voor kredietbeoordeling meer naar de achtergrond.
Met de opkomst van sociale media en bedrijven in de ‘nieuwe economie’, groeide echter opnieuw de interesse in het toepassen van AI voor kredietbeoordeling. Een niet onbelangrijk deel van de investeringen van deze bedrijven in AI, is het uitlegbaar maken van deze AI (“xAI”, of Explainable Artifical Intelligence).
Lees ook: xAI voor credit scoring van morgen
Tegen de achtergrond van deze evolutie, begonnen wij terug te onderzoeken hoe we AI konden gebruiken voor de ontwikkeling van de scoringssystemen. Hierbij hadden we twee hoofddoelen in gedachten: ten eerste wilden we de voorspellende kracht van onze beoordelingssystemen vergroten, en ten tweede wilden we ervoor zorgen dat ons systeem beheersbaar, transparant en begrijpelijk zou zijn.
AI in onze kredietscores – meer omzet, minder risico
In 2019 bereikten we beide doelen met de ontwikkeling van ons allereerste kredietscoresysteem waarin een AI-laag werd geïntegreerd. Hierbij wilden we niet dat ANN’s rechtstreeks onze scores zou genereren. In plaats daarvan werd de AI ingebed tussen twee lagen: een ‘logica laag’, die de sturing en begeleiding voor de AI verzorgt, en de traditionele scorekaart-laag, die gebaseerd is op de uitkomst van AI.
Deze aanpak, die we ‘AI Layered Scoring’ noemen, stelt ons in staat om de kredieterisico-beoordeling verder aan te scherpen. We zijn nog beter geworden in het identificeren van bedrijven die een kredietverlies veroorzaken ten aanzien van bedrijven die bonafide zijn.
Wat betekent dit nu in de praktijk?
Een concreet voorbeeld, op basis van een systeem wat we ontwikkeld hebben voor een klant, maakt dit duidelijk. De doelstelling van dit systeem was om zo accuraat mogelijk wanbetalers te voorspellen. Stel, we willen 60% van de wanbetalers over een bepaalde periode, ruim van te voren aan zien komen. Met de traditionele machine learning voor score ontwikkeling kreeg ongeveer 24% van de klanten een “lage” score, om deze 60% te halen. Met onze nieuwe methode moeten we slechts 5% van de klanten een lage score geven om deze 60% te identificeren.
Het verschil tussen beiden (24% t.a.v. 5%) geeft weer dat we hier een aanzienlijke verbetering konden bereiken: er kan met 19% meer bedrijven omzet gedaan worden, zonder het risico op wanbetaling te verhogen. Meer omzet, minder risico, en dus een beter rendement.
Deze uiteindelijke scores helpen jou in het beslissen met wie je zaken doet. Met een overvloed aan data is het uiterst belangrijk dat gebruiksgemak centraal staat. We begrijpen als geen ander dat de bereidheid om risico’s te nemen per organisatie verschilt. Onze custom scoring module biedt hiervoor de ideale oplossing. Benieuwd naar meer informatie over AI Layered Scoring en hoe het jouw bedrijf kan helpen? Neem hieronder contact met ons op.
