Hakim Souai Hakim Souai
Tekst
Peter Ooms
Beeld
Jan Locus

Een medewerker beslist altijd over het voorstel van de machine

1 maart 2020
In het derde deel van het algoritme vergelijken we de financiële analyse met de reacties in de pers
Luminus heeft een duidelijke strategie om het risicobeheer rond uitstaande facturen zoveel mogelijk te digitaliseren. Nu al gebruikt het artificiële intelligentie in enkele deelprocessen en dat zal in de toekomst zeker uitbreiden. FDmagazine had een gesprek met de ontwerper van deze toepassing, Hakim Souai, manager credit risk and models van Luminus.

Luminus heeft een duidelijke strategie om het risicobeheer rond uitstaande facturen zoveel mogelijk te digitaliseren. Nu al gebruikt het artificiële intelligentie in enkele deelprocessen en dat zal in de toekomst zeker uitbreiden. FDmagazine had een gesprek met de ontwerper van deze toepassing, Hakim Souai, manager credit risk and models van Luminus.

Artificiële intelligentie in kredietbeheer

Wat is de strategie van Luminus en hoe ondersteunt u die als kredietmanager?

Hakim Souai: In een zeer concurrentiële markt heeft Luminus een aantal jaar geleden beslist om niet te blijven focussen op het leveren van energie alleen, maar dat aanbod aan te vullen met een palet aan diensten. We investeren in de energie-uitdagingen van morgen door onze klanten innovatieve oplossingen op het vlak van energie-efficiëntie aan te bieden. Die service is altijd gericht op bedrijven en consumenten die hun verbruik willen optimaliseren en duurzamer maken door bijvoorbeeld zelf energie op te wekken. Het gaat om het installeren van zonnepanelen, boilers en isolatie, maar ook over laadinfrastructuur voor elektrische voertuigen, herstellingen aan elektrische toestellen enzovoort. Met het oog daarop heeft Luminus sinds 2014 een netwerk uitgebouwd van negen gespecialiseerde dochterbedrijven door een reeks van overnames.

De uitbreiding van de activiteiten bracht ook een verhoging van de omzet en het kredietrisico met zich mee. Als hoofd van de kredietanalyse streefde ik daarom naar een verbetering van onze slagkracht, zodat we met hetzelfde aantal medewerkers - drie - toch een gelijkwaardige, of zelfs betere dienst konden bieden aan de commerciële organisaties in de verschillende bedrijven.

Wat is in die verbeteringsoefening de grootste uitdaging geweest?

Hakim Souai: Voor de commerciële acties van deze dienstenorganisaties mikken we op alle Belgische bedrijven. We moeten heel snel in staat zijn om het kredietrisico te bepalen van 1,5 miljoen organisaties met een Belgisch btw-nummer. Om dat doel te bereiken, hebben we besloten om samen met het IT-departement een tool te ontwikkelen die een groot deel van ons dagelijks werk kan automatiseren. Dankzij een algoritme krijgen de commerciële medewerkers op enkele seconden tijd een kredietoordeel over elke potentiële klant in België.

Wat doet het algoritme?

Hakim Souai: De tool geeft de commerciële en financiële medewerkers binnen de drie seconden een antwoord over de kredietwaardigheid van een bedrijf. De aanvrager moet daarvoor inloggen in een veilige omgeving en een aantal basisgegevens invullen. Het gaat om het btw-nummer, het type contract (energie of diensten), de contractduur, de waarde en of er voorzien is in een speciale clausule. Die clausules gaan over voorafbetalingen, waarborgen en andere elementen die in grote contracten voorkomen. Als die er zijn, wordt de complexiteit te groot en moet een medewerker van onze dienst die analyse manueel in orde brengen.

De gegevens worden door het algoritme in drie verschillende stappen verwerkt, telkens op een andere manier. Daarom noemen we het een hybride algoritme. In deel één onderzoekt het model of er objectieve redenen zijn om de samenwerking met het bedrijf niet op te starten. Het gaat dan bijvoorbeeld om een achterstand bij de RSZ of een bescherming in het kader van een WCO (wet continuïteit van ondernemingen).

Daarna doorloopt de berekening een stroomdiagram waarbij telkens beslissingen worden genomen op basis van de financiële informatie over het bedrijf. Die gegevens komen uit externe bronnen, zoals de Nationale Bank en Dun & Bradstreet, maar ook uit interne bronnen met bijvoorbeeld de betalingshistoriek. In elke stap neemt het algoritme een beslissing in functie van de waarde en de termijn van het contract. Daarbij kunnen telkens andere berekeningen gebruikt worden. Ook zijn er verschillen voor dienstencontracten of voor de levering van energie.

Een belangrijke parameter in deze analyse is de sector waarin het bedrijf actief is. Bij de opstart van het algoritme hebben we ook geanalyseerd voor welk type bedrijven welke parameters belangrijk zijn. Zo is de Paydex-score van D&B heel belangrijk voor kleine bedrijfjes, maar veel minder voor grote groepen. Die verschillende aanpak is ook weerspiegeld in het algoritme. Het resultaat van deze tweede stap is een beslissing over de risicograad van het bedrijf: hoog, laag of geen score. In dat laatste geval moet een medewerker de uiteindelijke beslissing nemen.

Waar wel een score is toegekend, vergelijken we die in het derde deel van het algoritme met een analyse van de reacties in pers. We gebruiken hiervoor webscrapping technologie, die op basis van artificiële intelligentie op zoek gaat naar relevante persartikels op het internet. Bedoeling is om op deze manier minstens een idee te krijgen van de actuele stand van zaken over het bedrijf. Financiële gegevens halen we uit jaarverslagen die vaak meer dan acht maanden oud zijn, terwijl we weten dat een beslissing over de brexit of een tweet van Donald Trump onmiddellijk een heel grote invloed kan hebben op de kredietwaardigheid van een bedrijf. Daarom kijken we ook actuele informatie in.

Daarvoor hebben we een serie van bronnen geselecteerd. Dat zijn nu in de eerste plaats de websites van financiële publicaties, maar op termijn is er uitbreiding mogelijk naar sociale media zoals Facebook of LinkedIn. Dat verbinden we aan een lijst met bedrijven die voor ons interessant zijn. Ten slotte definiëren we een reeks van termen die het algoritme moet zoeken: crisis, delokalisering, staking, schandaal, liquidatie, enzovoort. Hierbij gebruiken we ook machineleren: het algoritme voert de analyse uit en stelt zelf vast dat er verbanden met andere woorden optreden. Dat woord gebruiken we dan ook als zoekterm. We hanteren in al die gevallen het principe van supervised learning: altijd neemt een medewerker een beslissing over het voorstel dat de machine doet.

Hoe past dit nieuwe algoritme in het geheel van de kredietprocessen bij Luminus?

Hakim Souai: De nieuwe toepassing maakt deel uit van een groter geheel aan digitale instrumenten voor de kredietanalisten, managers en commerciële medewerkers. De basis is het kredietdashboard met bijvoorbeeld een actueel zicht op het uitstaande kredietrisico, overzichten van de slechte schulden (bad debts) en faillissementen, een aging balance en een lijst van de bedrijven met de grootste uitstaande facturen. We stellen intussen een resem digitale hulpmiddelen ter beschikking die het werk in verschillende departementen efficiënter en sneller doet verlopen.

Dankzij de snelle uitkomst van een vraag naar de kredietwaardigheid van een bedrijf, kunnen de kredietbeheerders nu meer tijd besteden aan de grote dossiers en de twijfelgevallen. Die treden op wanneer de resultaten van de financiële analyse en die van de persberichten elkaar tegenspreken. In dergelijke gevallen hakt de kredietanalist de knoop door. Vaak nemen we daarvoor contact op met het bedrijf in kwestie. We kunnen door onze analyse heel gerichte vragen stellen.

Onze afdeling bestaat uit drie personen, die niet alleen het kredietrisico beheren. Wij zorgen ook voor de opvolging van de niet-betaalde facturen, de slechte schulden, factoring enzovoort. Het is belangrijk te weten dat Luminus als energieleverancier ook het financiële risico draagt dat eigenlijk bij andere partijen hoort. Op elke energiefactuur staat ook een resem kosten die we moeten aanrekenen in naam van de overheid en de netbeheerders. Wij dragen de volledige verantwoordelijkheid als de eindklant niet zou betalen, dus dat vergroot ons risico.

Heeft het gebruik van het nieuwe algoritme al resultaten afgeworpen?

Hakim Souai: Ja, we hebben op die manier sneller kunnen detecteren dat een grote klant in slechte papieren zat. We hebben meteen actie ondernomen om de uitstaande schulden te innen. Precies daarvoor hebben we de toepassing opgezet.

Daarnaast zien we intussen dat het cijfer voor de slechte schulden gunstig evolueert. Maar de echte test voeren we pas midden 2020 uit. Dan doen we een grondige controle van de resultaten op het vlak van kredietrisico.

Gebruikt u artificiële intelligentie ook in de puur financiële analyse?

Hakim Souai: Ja, dat gebeurt bij het onderbrengen van bedrijven in categorieën. Daarvoor gebruiken we een bestaand algoritme met de naam K-Nearest Neighbour (KNN). Dat groepeert bedrijven met een gelijkaardige score voor de gekozen waarden. Dankzij KNN versnellen we de kredietbeslissing voor bedrijven in dezelfde groep. We kunnen dat algoritme aan de hand van een nieuw voorbeeld bijsturen in functie van de afwijkingen en het aantal bedrijven in de vergelijking. Deze analyse maakt deel uit van de ad-hoctesten die wij als kredietmanagers gebruiken in twijfelgevallen. De machine is in staat zelf overeenkomsten binnen een groep te ontdekken. Wij controleren de effectiviteit daarvan door het algoritme in te zetten op oude data, met daarin ook bedrijven die later failliet zijn gegaan.

Is de toepassing van die technieken voor artificiële intelligentie duur?

Hakim Souai: Neen, wij gebruiken opensourcetechnieken waarvan de code is vrijgegeven. Ze zijn vaak verbonden aan Python, R, C# of Java, bekende programmeertalen. Het werken in een dergelijke opensource-omgeving heeft ook als voordeel dat de betrokken bedrijven hun ervaringen graag delen met de andere leden uit de gemeenschap. Zo verwerf je als bedrijf op heel korte tijd kennis van heel nieuwe technologieën en bouw je snel verder op de ervaring van collega’s die daar al jaren mee bezig zijn.

Hoe ziet de toekomst eruit voor deze toepassing?

Hakim Souai: We hebben nog grote plannen. Op dit ogenblik gebruiken we ons digitaal instrument nog vooral defensief: zijn er mogelijke financiële problemen bij dit bedrijf? In de toekomst willen we ook eerder opportunistisch te werk gaan. We gaan dan op zoek naar bedrijven met uitbreidingsplannen, bedrijven waar overnames en investeringen op het programma staan of die hun energie-efficiëntie willen verbeteren. Die bieden ons een mooie opportuniteit en daar willen we graag zaken mee doen.

ID-kit

Luminus

Activiteit: Nummer één in onshorewindenergie en waterkrachtenergie in België

Klanten: 1,8 miljoen, waarvan 300.000 bedrijven

Marktaandeel: 20 procent

Aantal dochterbedrijven: 9

Aantal medewerkers: 2.000

Geïnstalleerd vermogen: 2.160 megawatt, 10 procent van het totale geïnstalleerde vermogen in België