Tijdens de voorbije Credit Expo gingen tal van presentaties over de implementatie van nieuwe digitale technieken. De sprekers passen die predictiemodellen toe om de cash collection te ondersteunen en vooral beter voorspelbaar te maken.
Dat gebeurt met behulp van onder meer artificiële intelligentie en machineleren. Dat zijn waardevolle evoluties. Sommige applicaties werden dan ook genomineerd voor een innovation award en één ervan werd verkozen als winnaar.
In de marge van zo’n presentaties hoor je ook andere getuigenissen. Kredietprofessionals, of hun werkgevers, hebben het over predictiemodellen die vooral – of enkel – gebaseerd zijn op de eigen ervaringen met betalingen. En die gelden als voldoende basis om aan kredietrisicopredictie te doen.
Digitale predictiemodellen vinden sterke correlaties tussen negatief betaalgedrag en klantenverlies, wat evident is. Soms wordt uit noodzaak gezocht naar aanvullende informatie, want in een klantenportfolio zitten altijd veel klanten met zeer weinig betalingen in de voorbije periode. Dat blijkt dan statistisch onvoldoende om conclusies te trekken. Enkelen opperen zelfs dat belangrijke input, zoals financiële analyse, helemaal niet meer aan bod hoeft te komen.
Dit alles doet vragen rijzen. Zijn deze praktijken sterk genoeg om er een performante risicopredictie op te baseren? Zijn alle gevallen met verslechterend betaalgedrag gedoemd om uit te monden in klantenverlies? Doe je daardoor niet aan overshooting, wat tot nodeloos omzetverlies leidt? Vormen alle goede betalers wel altijd zo weinig risico? Moet je daar ook niet een diepere analyse op loslaten? Als je zeer veel druk zet op klanten in het incassoproces, dan zullen klanten die ene leverancier wél goed betalen, want ze weten dat er snel repressieve gevolgen zijn. De andere leveranciers worden veel trager betaald. Zij capteren de alarmsignalen wél, terwijl het AI-model dat net tegenwerkt.
Ook is er geen juiste definitie van dergelijke predictiemodellen. Wat als het algoritme slechts korte tijd voor een incident de levering van goederen laat stoppen? Je moet rekening houden met een inertietijd van minstens zes maanden, want vóór het klantenverlies ontstaat eerst een soort staking van betaling. Het model capteert dat inderdaad, maar te laat.
Sommige professionals menen dat de financiële analyse van ‘verouderde’ ratio’s te weinig toegevoegde waarde biedt. Alleen rijst de vraag hoe goed zij zijn in deze zeer moeilijke discipline. Daar wringt vaak de schoen. Ook belangrijke input vanuit de markt en informatie van de verkoopcollega’s schijnen nauwelijks aan bod te komen.
Het lijkt erop dat velen in deze tijden zweren bij digitale algoritmes, die bovendien standalone dienen te zijn. Het doel was immers om volledig te automatiseren en zo een aantal fte’s te vervangen, niet? Dan moet je wel all the way gaan. Maar de wens is de vader van de gedachte. Onderzoek bewijst gemakkelijk het eigen gelijk. Een sterke correlatie tussen negatief betaalgedrag en faillissement is er zeker, maar gaan de predictiemodellen voldoende terug in de tijd? En wat is een goed predictieresultaat? Buitenstaanders denken snel dat een percentage van ongeveer 97 procent zeer goed is, maar is dat wel zo? Een klantenverliesratio van twee à drie procent is alvast zéér slecht.
Een andere kanttekening is dat bedrijven op een bepaald moment blijkbaar stoppen met investeren in de predictiemodellen. Vaak hoor je dat extra input aan data (met een rechtlijnig stijgende kostprijs) slechts een marginaal betere output biedt. Dan maar geen extra input wegens te weinig return. De voorbije jaren waren internationaal gekenmerkt door zeer lage faillissementscijfers. Is dat een representatieve basis? Toch nemen topmanagers op basis daarvan hier en daar al drastische beslissingen over het te volgen kredietmanagementmodel.
We weten allang dat kredietmanagers op zeer verschillende manieren hun functie invullen. Die diversiteit maakt het boeiend en ieder model heeft zijn waarde. Het wordt uitkijken naar de toekomstige resultaten. Misschien moet de échte lakmoesproef nog komen.
Verdoe jij ook te veel tijd met het opvolgen van alle nieuwtjes in je feed? No worries, wij verzamelen alles wat nieuw is in de finance wereld. Al die nieuwtjes komen wekelijks in jouw mailbox terecht.
