De economische gevolgen van de coronapandemie hebben het kredietverstrekkers moeilijker gemaakt om leningen te verstrekken. Zij moeten nu veel verder kijken dan traditionele criteria bij het beoordelen van risico’s en het berekenen van toekomstige verliezen op verstrekte kredieten. Kredietprofielen van klanten zijn aan het veranderen. Daarom is “business-as-usual” niet langer genoeg om kredieten te beoordelen en eventuele verliezen te voorspellen.

De traditionele kredietscore wordt al decennia gebruikt binnen de financiële dienstverlening. De manier waarop consumenten met geld en krediet omgaan is echter veranderd, zeker sinds corona. Wanneer we extra databronnen toevoegen – zoals informatie over transactiegegevens van financiële diensten, data die met toestemming van de consument is verzameld, betalingen voor huur en nutsvoorzieningen, volledige openbare data en uitgaven, reis- en hobby-activiteiten – ontstaat een veel uitgebreider en persoonlijker beeld van de consument.

Deze inzichten helpen kredietverstrekkers hun risicobeslissingen te verbeteren en hun modellen te optimaliseren met statistisch bewezen gedragsvariabelen. Bovendien kunnen ze hun kredietportefeuille uitbreiden door met niet-traditionele data, de risico’s te beoordelen en de kredietwaardigheid te voorspellen van mensen die geen (of een minder goed) kredietverleden hebben.

Verder helpt het gebruik van alternatieve data consumenten tegen fraude te beschermen. Het koppelen van een device-ID (uniek kenmerk van een elektronisch apparataat zoals een laptop, tablet of mobiele telefoon) met de foto uit een identiteisbewijs en een foto via een selfie, verkleint de kans op identiteitsfraude.

Alternatieve kredietgegevens bieden aanvullende informatie voor goede beslissingen binnen de gehele kredietcyclus. Deze nieuwe data zorgt voor meer toegang tot betaalbaar krediet voor consumenten dankzij betere kredietbeslissingen door verstrekkers.

De impact van COVID-19 op historische kredietgegevens

Bij het bouwen van een voorspellend risicomodel wordt gekeken naar historische gegevens en wordt een voorspelling gedaan op basis van de gedragsaspecten van een groep soortgelijke consumenten. Het is echter niet zinvol om alleen de historische gegevens van 2020 als maatstaf te gebruiken. Door de pandemie zal het model mogelijk slechter statistisch voorspellend zijn. Vooral omdat gedrag tijdens de pandemie voor bepaalde segmenten atypisch is geweest ten opzichte van gedrag buiten de pandemie om.

Sommige consumenten met een vlekkeloze krediethistorie, en die door de coronapandemie in moeilijkheden zijn geraakt, zullen misschien voor het eerst in hun leven niet kunnen betalen. Maakt dat hen tot slechte kredietnemers? Op basis van traditionele, historische data kunnen zij worden aangemerkt als klanten met een betalingsachterstand en dus als klanten met een slechte kredietwaardigheid. De vraag is echter of ze dat ook zijn? Of dat ze in deze unieke tijden anders moeten worden behandeld dan consumenten met een echt slecht kredietverleden?

Financiële instellingen moeten op een andere manier naar consumenten kunnen kijken en financiële problemen kunnen identificeren op basis van aanvullende, persoonsgebonden informatie.

Wat zijn de voordelen van alternatieve kredietgegevens?

In het algemeen komen veel mensen om diverse redenen moeilijk aan krediet of betalen zij daarvoor een hogere rente. Sommigen hebben moeite om hun inkomen aan te tonen.

Anderen hebben geen krediethistorie of een krediethistorie die te onvolledig of onvoldoende is om een kredietscore op te leveren. Dit probleem komt relatief vaker voor bij consumenten met een laag inkomen; hier kunnen alternatieve kredietgegevens een positieve rol spelen.

En alternatieve kredietgegevens kunnen meer inzicht geven voor groepen consumenten die niet voorkomen in bestaande kredietregistraties.

De stabiliteit van de consument meten

Een van de meest voorspellende factoren voor het al dan niet aflossen van een lening is de stabiliteit van de consument – zowel financieel als persoonlijk. In de ‘subprime’-markt hangt de stabiliteit van de consument rechtstreeks samen met terugbetalingen op de lening. Zo is statistisch bewezen dat het vaak wijzigen van telefoonnummer, bankrekening of adres, leidt tot een grotere kans op in gebreke blijven of het oplopen van betalingsachterstanden.

Een ‘persoon zonder score’ vormt niet per definitie een hoog kredietrisico. Het is eerder een onbekend kredietrisico. Dergelijke mensen betalen hun huur elke maand op tijd en volledig, kopen regelmatig beltegoed en data en kunnen goede kredietnemers zijn. Ze hebben alleen geen krediethistorie die als maatstaf kan worden gebruikt.

Vooruitblik

Kredietverlening kan belangrijk zijn voor economisch herstel na de pandemie. En daarmee is het dus ook belangrijk om de toegang tot financiering voor consumenten met weinig of geen krediethistorie te verbeteren.

De vooruitzichten voor herstel zijn positief: weinig faillissementen, een lage werkloosheid en een hoog aantal vacatures. Toch is het nog nooit belangrijker geweest om de financiële gezondheid van consumenten te beschermen en de integriteit van de kredietbranche te behouden en zelfs te versterken.

Door traditionele kredietgegevens te combineren met alternatieve data, wordt een belangrijke stap gezet om dit doel te bereiken. Daarnaast kunnen effectieve incassostrategieën worden ontwikkeld voor diegenen die ten onrechte als ‘slechte kredietnemers’ worden beschouwd.

Uiteindelijk kunnen alternatieve databronnen de toegang tot krediet, en de besluitvorming over kredietverstrekking, verbeteren voor consumenten die anders misschien over het hoofd worden gezien. De data is er. De vraag is alleen hoe deze data kan worden ingezet voor nog betere kredietverlening.

Bron: Credit Expo