Rond de termen kunstmatige intelligentie en neurale netwerken hangt iets mystieks. Steeds meer mensen praten erover, maar wat het nu precies inhoudt is niet altijd duidelijk. Op de achtergrond wordt er, zonder dat we daar erg in hebben, al veel gebruik gemaakt van kunstmatige intelligente. Bijvoorbeeld door het spamfilter van uw (Google) e-mail account of als we iets opzoeken via Google. Door middel van algoritmes kunnen patronen in de data herkend worden, die vervolgens verder verwerkt kunnen worden. In dit interview spreek ik met Koen Meeusen, directeur en medeoprichter van NeurOp, over neurale netwerken en hoe deze technologie onder andere in creditmanagement toegepast kan worden.

Hoe ben je in de wereld van neurale netwerktechnologie terecht gekomen?

Koen: “Ik was zelf al lange tijd als zelfstandig ondernemer en projectmanager actief. In 2014 werd ik door mijn huidige compagnon (Jeroen Blokdijk) benaderd, dat hij met neurale netwerktechnologie aan de slag wilde. Het was toen voor mij direct duidelijk dat dit een goed moment was om hierin te stappen. Om neurale netwerktechnologie goed te kunnen toepassen moet je over voldoende data, rekenkracht en opslagcapaciteit beschikken. De technologie is echter vrij complex. Veel bedrijven maken er nog geen gebruik van, omdat ze de technologie nog niet in huis hebben. In november 2015 is NeurOp opgericht met als specialisatie neurale netwerktechnologie. Met behulp van deze technologie helpen we onze klanten om zakelijke problemen en optimalisatievraagstukken op te lossen.”

Wat voor soort projecten doen jullie?

Koen: “Dat is vrij divers, maar op dit moment hebben de meeste projecten betrekking op commerciële toepassingen. Om je een paar voorbeelden te geven. We maken bijvoorbeeld voor klanten inzichtelijk waar in de markt je moet zijn om succesvoller nieuwe klanten te werven dan via de traditionele, tot dan toe gevolge methode. Ook kunnen we door middel van neurale netwerktechnologie aangeven welke offertes een goede kans van slagen hebben en aan welke offertes je beter niet te veel of geen tijd moet besteden. Of bij tenders: op welke aanbesteding schrijf je wel of niet in? We zijn zowel in zakelijke markten als consumentenmarkten actief bij bedrijven variërend in omvang tussen de 50 en een paar duizend (groot MKB) medewerkers.”

Kun je een voorbeeld wat nader toelichten?

Koen: “Laat ik het al dan niet opvolgen van offertes als voorbeeld nemen. In dit geval heeft een bouwbedrijf 1500 offertes openstaan. In Excel werden en worden uitgebreid gegevens bijgehouden van iedere offerte, zoals het type bedrijf, via welk kanaal er gekocht wordt, het soort project, nieuwbouw of renovatie, de grootte van het bedrag, enzovoort. Vanuit het verleden had men dergelijke data van 4000 offertes en het behaalde resultaat bijgehouden. Dat aantal was voor ons voldoende om op basis hiervan een voorspellend model te bouwen. Nadat het neurale netwerk af was, waren we in staat om alle op dat moment openstaande offertes onder te verdelen in drie groepen: een (grote) groep waarvan ze slechts 1 procent van de offertes zullen winnen, een tweede groep waarvan ze 25 procent zullen winnen en een derde groep waarvan ze 50 procent van de offertes zullen winnen. Uiteindelijk zal het bouwbedrijf met dit model veel beter in staat zijn om hun tijd effectiever te besteden en in eerste instantie alleen die offertes op te volgen met een hoge kans van slagen om de opdracht te winnen.”

Als je met deze technologie aan de slag wilt, moet je als bedrijf dus wel beschikken over een werkwijze om op een gestructureerde manier data vast te leggen?

Koen: “Dat is essentieel Het is pas sinds de laatste tien jaar dat bedrijven nauwkeuriger met de vastlegging van data omgaan. Hoe meer en hoe nauwkeuriger data gestructureerd worden vastgelegd, hoe nauwkeuriger een voorspellend model gebouwd kan worden.”

Aan welke randvoorwaarden moet je voldoen om kunstmatige intelligente en neurale netwerktechnologie effectief te kunnen toepassen?

Koen: “ Daar kun je niet echt een eenduidig antwoord op geven. Je kunt soms met weinig voorbeelden al een vrij goede voorspelling doen, zolang er maar sprake is van een sterke correlatie tussen de verschillende variabelen. Je kunt met slechts 300 voorbeelden en 5 kwalitatief goede inputs per voorbeeld al een redelijk goed model bouwen. Daar heb je dan wellicht geen neuraal netwerk voor nodig. Je kunt echter ook over een miljoen voorbeelden beschikken, maar dat er geen correlatie tussen de data bestaat, zoals bij de trekkingen van een loterij. Dan beschik je wel over veel data, maar je kunt er verder niets mee. Onze ervaring is dat daar waar bedrijven lineaire regressiemodellen gebruiken om meer inzicht in specifieke bedrijfsprocessen te krijgen, wij met onze technologie in staat zijn om voor die bedrijven een substantiële verbetering te realiseren. Met andere woorden: of je met data een effectief voorspellend model kunt bouwen hangt van tal van factoren af, waaronder de mate van correlatie en de hoeveelheid beschikbare data.”

Hoe kan neurale netwerktechnologie toegepast worden binnen creditmanagement? Heb je hier al ervaring mee opgedaan?

Koen: “Op dit moment wordt deze technologie ingezet door Snijder Incasso en Gerechtsdeurwaarders. We hebben voor Snijder verschillende modellen gebouwd. Een van de modellen wordt gebruikt om een betrouwbare voorspelling te maken of je een dossier al dan niet succesvol kunt innen in de gerechtelijke fase. Dat is belangrijk om te weten, want op het moment dat je besluit om de gerechtelijke fase in te gaan, nemen de out of pocket kosten significant toe. Met behulp van vele tienduizenden dossiers hebben we op basis van meer dan 50 inputs een neuraal netwerk gebouwd, dat op dag 40 van het dossier aangeeft of het economisch haalbaar is om gerechtelijk te gaan. Om het model op betrouwbaarheid te testen hebben we van 90 procent van de voorbeelden de uitkomsten gekregen. Van die laatste 10 procent hebben we het neurale netwerk de uitslag laten voorspellen. Daaruit kwam naar voren, dat rond de 30 procent van de in het verleden gevoerde gerechtelijke procedures niet gevoerd hadden hoeven worden. Bovendien werden alle dossiers die succesvol zijn afgerond in het gerechtelijk traject correct voorspelt. Daarmee spaar je een hoop tijd en geld uit.”

Wat is het voordeel van deze technologie voor de deurwaarder?

Koen: “Aangezien een deurwaarder betaald wordt op basis van het aantal verrichtte handelingen, kan er voor de opdrachtgever veel geld bespaard worden door zaken niet onnodig gerechtelijk af te handelen. In eerste instantie lijken alleen de opdrachtgevers hiervan te profiteren. De winst voor de deurwaarder zit met name in dossiers met lagere bedragen. Een laag dossierbedrag is vaak een reden om het gerechtelijk traject niet op te starten, omdat de hoge gerechtelijke kosten mogelijk niet terugverdiend kunnen worden. Dankzij het neurale netwerkmodel kan nauwkeurig voorspeld worden of het economisch zinvol is om een gerechtelijke procedure te starten. Er kunnen nu dus zaken in het gerechtelijk traject afgehandeld worden, die anders afgeschreven zouden worden. Per saldo levert het toepassen van neurale netwerktechnologie dus kostenbesparingen, efficiëntievoordelen en extra inkomsten op, zowel voor de opdrachtgever als de deurwaarder. Bovendien kan een deurwaarder die dergelijke technologie in zijn praktijk toepast zich als een innovatieve en kwalitatief hoogwaardige partij profileren.”

Hoeveel tijd kost het om een werkend model of algoritme te bouwen?

Koen: “De tijd tussen het moment dat wij voldoende en correcte data aangeleverd krijgen en de oplevering van een werkend model ligt op ongeveer twee maanden. Het bouwen van een model of algoritme is vrij complex en naast arbeidsintensief ook tijdsintensief. De uitdaging is het grote aantal mogelijkheden om een dataset door te rekenen. Als je drie verschillende typologieën (structuur van een netwerk) kiest om een dataset met bijvoorbeeld 100.000 voorbeeldregels door het neurale netwerk te laten doorrekenen, ben je al gauw 24 tot 48 uur verder voordat de computer klaar is met rekenen. Als je dan de beste topologie neemt en vervolgens bepaalt wat het meest functionele leeralgoritme is, dan is een computer daar nog eens drie dagen mee bezig. En dat is dan nog afgezien van vele andere opties die ook doorgerekend moeten worden. Uiteindelijk resulteert deze analytische manier van werken in een model dat betrouwbare resultaten oplevert en zichzelf zo terugverdient.”

Hoe zou je neurale netwerktechnologie nog meer kunnen toepassen binnen creditmanagement?

Koen: “De mooiste toepassing vind ik zelf om met behulp van neurale netwerken te bepalen hoe een dossier zich gaat ontwikkelen als een klant niet op tijd betaalt. Is de late betaling een voorbode van meer betalingsproblemen of betreft het slechts een uitschieter? We zijn bezig om een dergelijk model voor een hypotheekadviseur te ontwikkelen. Op dit moment wordt iedere klant die op de 23e van de maand de hypotheekaflossing niet betaald heeft volgens een standaard proces behandeld. Dat leidt soms tot fricties en het is ook niet echt klantgericht. Zodra het model gereed is, zullen klanten die te laat betalen in drie groepen ingedeeld worden: klanten waarvan 1 tot 2 maanden betalingsachterstand voorspeld wordt, klanten met een voorspelde betalingsachterstand van 3 tot 4 maanden en klanten waarvan voorspeld wordt dat ze meer dan 5 maanden betalingsachterstand zullen krijgen. De eerste groep ontvangt een brief die op een vriendelijke toon geschreven is. Klanten met een verwachte 3 tot 4 maanden betalingsachterstand worden opgevolgd conform het huidige proces en klanten met 5 en meer maanden voorspelde achterstand zullen volgens een strakker proces benaderd worden. Deze op data gebaseerde gesegmenteerde aanpak moet leiden tot hogere klanttevredenheid en tegelijkertijd tot adequater ingrijpen waar het dreigt mis te gaan.

Een ander interessante toepassing van deze technologie is vroegsignalering in schuldhulpverlening. Als je vooraf weet waar de kans op escalatie van schulden relatief groot is, kun je daar vandaag al op anticiperen of acteren. Zo kun je voorkomen dat je pas ingrijpt op het moment dat de schuld al (te) hoog is opgelopen. Je kunt met behulp van deze technologie weliswaar geen schulden voorkomen, maar je kunt wel eerder in beeld krijgen bij wie de kans op problematische schulden hoog is. Bovendien kun je vanuit de hulpverlening schaarse middelen effectiever inzetten, want je kunt je gaan richten op die gevallen waar de kans op escalatie het hoogst is. Het lijkt me erg interessant om dit met een partij in schuldhulpverlening op te zetten.”

Kan een score ook aanvullende informatie opleveren? Bijvoorbeeld wat de belangrijkste factoren zijn die bijdragen aan de ontstane situatie?

Koen: “Typerend voor neurale netwerktechnologie is dat het eindresultaat (een score) wel betrouwbaar is, maar niet in componenten valt terug te herleiden naar het individuele dossier. Anders gezegd, ik weet hoe groot de invorderingskans is als ik bij klant X gerechtelijk ga, maar ik kan niet aangeven welke factoren daarbij een doorslaggevende rol spelen. Dat voelt wellicht wat vreemd aan, maar gegeven het grote aantal verbanden dat door een neuraal netwerk wordt doorgerekend is het onmogelijk om in een specifiek dossier exact aan te geven welke factoren tot de uitkomst geleid hebben. Bij lineaire regressiemodellen kan dit wel, maar dat is een volledig andere techniek dan de non-lineaire techniek die bij neurale netwerken wordt toegepast. De kracht van een ‘intelligent’ (neuraal) model is dat je het kunt ‘voeden’ met bijvoorbeeld 50 verschillende inputs, eventueel aangevuld met specifieke gegevens over de betreffende personen en dat vervolgens kunt inleren met zeg 100.000 leervoorbeelden. Op die manier kun je een model bouwen, waarmee je zeer nauwkeurige uitkomsten kunt genereren op een specifieke vraag.”

Gaat kunstmatige intelligentie de creditmanager vervangen?

Koen: “Nee, zeker niet! Kunstmatige intelligentie is ondersteunend en maakt het voor een creditmanager mogelijk om veel effectiever en efficiënter beslissingen te nemen.”

Wat zijn jouw verwachtingen voor de komende jaren?

 Koen: “Hoewel de ontwikkelingen in de incasso- en creditmanagementsector naar mijn mening vrij traag verlopen, verwacht ik dat de huidige voorbeelden zich binnen twee tot drie jaar tot unique selling points zullen ontwikkelen. Over vijf jaar zal het gemeengoed zijn en over tien jaar speel je niet meer mee, als je geen gebruik maakt van deze technologie.”

Wilt u meer weten? NeurOp is als exposant aanwezig op Credit Expo 2017 op donderdag 2 november aanstaande in Nieuwegein. U vindt NeurOp bij standnummer NB.46. Mis het niet!