Een gigantische hoeveelheid data over kredietwaardigheidsaspecten van je zakelijke relaties hebben is mooi. Maar één kredietwaardigheidsscore hebben, is nog veel mooier. Hoe kom je van enorme databergen tot één score? Een uitleg in 6 stappen.
Een uitgebreid kredietwaardigheidsrapport vertelt je een heleboel. Maar je ziet níet in één oogopslag of een mogelijk nieuwe zakenrelatie financieel gezond genoeg is om zaken mee te doen. Zie daar de kracht van kredietwaardigheidsscores: één cijfer, waarop je meteen een beslissing kunt baseren.
Altares Dun & Bradstreet maakt deze kredietwaardigheidsscores op maat. Niet alleen bouwen we voor ieder land specifieke modellen – met dus anders tot stand gebrachte scores. Maar ook voor jouw bedrijf kunnen we een customized scoring-model opstellen, dat gebaseerd is op jouw risk appetite. Aan de hand van deze scores kun je bijvoorbeeld het onboarden van nieuwe klanten automatiseren. Of de kredietwaardigheid van bestaande klanten real-time monitoren.
Stap 1: data verzamelen
Met de Dun & Bradstreet Data Cloud beschikken wij over ’s werelds grootste commerciële database, boordevol waardevolle informatie over bijvoorbeeld betaalgedrag, incasso-informatie, concernstructuren, omzetcijfers en balansen.
We komen op verschillende manieren aan onze data over (kredietwaardigheidsaspecten van) je zakelijke relaties. Wereldwijd hebben we meer dan 30.000 databronnen. Een van de belangrijkste databronnen zijn we zelf. Binnen ons DunTrade-programma verkrijgen we namelijk dagelijks betalingservaringen van talloze bedrijven over de hele wereld.
Stap 2: data verzamelen, verifiëren en structureren via het DUNSRight-proces
Via het DUNSRight-proces garanderen we de kwaliteit van al onze data. Aan de hand van vijf verschillende stappen verzamelen, verifiëren en structureren we de data. Zodat alle informatie actueel, volledig, betrouwbaar én wereldwijd consistent is.
Stap 3: onderscheid actieve en inactieve bedrijven
Onze database bevat ook gegevens over bedrijven die niet meer actief zijn. Allereerst omdat we deze bedrijven willen blijven volgen, bijvoorbeeld omdat ze een doorstart kunnen maken. Daarnaast bevat onze historische database een schat aan belangrijke informatie, bijvoorbeeld op het gebied van faillissementen. Wat gebeurt er in de maanden voorafgaand aan een faillissement? Signaleren we vergelijkbare patronen bij bedrijven die nu actief zijn? Aan de hand van dit soort inzichten ijken we onze modellen, waardoor onze scores continu verbeteren.
Stap 4: onze data gaat door de scoremodellen
Alle data-elementen zoals branche, ouderdom van het bedrijf, financiële gegevens en betaalgedrag worden als input voor de scoremodellen genomen. Ieder element heeft daarbij een eigen waardering.
Stap 5: ruwe score
Bij elkaar opgeteld vormen al die waarderingen een ruwe score, die de basis vormt voor de Faillissementenscore.
Stap 6: Faillissementenscore
Het resultaat van deze 5 stappen is de Faillissementenscore. Dat is een zogeheten percentielscore: een cijfer van 1 tot 100 dat aangeeft hoe groot de kans op een faillissement is, gerelateerd aan andere bedrijven in de markt. Is de score van een bedrijf bijvoorbeeld 80, dan heeft 80 procent van de ondernemingen een grotere kans om failliet te gaan. Een score van 1 betekent dus een relatief zeer grote kans op een faillissement, een score van 100 een bijzonder kleine. Zo helpt de Faillissementenscore bedrijven om weloverwogen beslissingen te nemen.
Onze scores binnen jouw organisatie?
Wil je onze scores inzetten binnen jouw bedrijf om risico’s te vermijden, kansen te signaleren en betere beslissingen te nemen? Bekijk dan onze oplossingen voor credit risk management.
Meer weten over de mogelijkheden om kredietbeslissingen te automatiseren op basis van meerdere databronnen? Bekijk dan onze oplossingen voor het automatiseren van het klantacceptatieproces.