Als je als dienstverlenend bedrijf in credit management serieus genomen wil worden, zal data-analyse daarin een steeds belangrijkere rol spelen. In grondbeginsel gaat het in creditmanagement om de beantwoording van de vraag of klanten kunnen betalen. Vanaf het moment dat er op rekening geleverd is, wordt ook de vraag of de klant (op tijd) wil betalen relevant. Rekening houdend met verschillende kenmerken en eigenschappen van klanten kan de effectiviteit van het incassoproces door middel van segmentering en profilering aanzienlijk verbeterd worden. Bovendien neemt zo de kans op het behoud van de klantrelatie toe. In dit interview spreek ik met Laurens Ruster, Manager Advanced Analytics bij GGN, over de toepassing van advanced analytics en welke invloed dat heeft op de werkzaamheden in de incassopraktijk.
Kun je iets meer over jouw rol en werkzaamheden bij GGN vertellen?
Laurens: “Mijn achtergrond en werkervaring is in data en analytics, waarin ik al bijna 25 jaar actief ben. Sinds begin 2016 ben ik werkzaam bij GGN, waar ik verantwoordelijk ben voor de afdeling Advanced Analytics. Wij houden ons met een team van vier data-analisten voornamelijk bezig met het voorspellen van het gedrag van debiteuren. Het gaat dan niet alleen om de vraag of een debiteur gaat betalen, maar ook hoeveel, wanneer en op welke manier we hem/haar het beste kunnen benaderen of aanspreken. Dat proberen we allemaal door middel van data-analyse in beeld te krijgen. Het uiteindelijke doel is om het incassoproces zo efficiënt en effectief mogelijk te maken.”
Hoe pas je data-analyse in de dagelijkse praktijk toe? Kun je dat met een voorbeeld toelichten?
Laurens: “Laat ik eerst nog even de historische ontwikkeling schetsen. Tot ongeveer twee jaar geleden lag de focus met name op analyse van data uit het verleden. Daarbij ging het dan voornamelijk om de beantwoording van de vraag: “Wat is er gebeurd?” of in het meest gunstige geval “Wat gebeurt er?”. Dit zijn klassieke BI (Business Intelligence) vragen, die een antwoord geven op een historisch perspectief. Dus na afloop van een incassotraject konden we heel goed aangeven hoe goed we gescoord hadden op X dossiers die in periode Y waren ingediend.
Tegenwoordig richten we ons met name op de toekomst en stellen we de vragen als: “Wat gaat er gebeuren?” en nog een stap verder “Wat willen we dat er gaat gebeuren?” Daardoor kunnen we nu met verschillende scenario’s werken. Als we bijvoorbeeld 100 nieuwe dossiers van een opdrachtgever ontvangen, dan bepalen we door middel van data-analyse vooraf welke actie het meest effectief is voor iedere individuele debiteur. We zijn dus opgeschoven van terugkijken (analyse achteraf) naar voorspellen. Laat ik een voorbeeld geven. Aan het eind van het minnelijke proces hebben een X aantal debiteuren nog niet betaald en de opdrachtgever wil dat we het juridisch traject ingaan. We hebben voor deze situatie een voorspellingsmodel gebouwd, dat aangeeft hoe groot de kans is op een succesvol gerechtelijk proces. We noemen dat een scorecard, die op rood (niet dagvaarden) of op groen (wel dagvaarden) staat. Zodoende kunnen we voor de opdrachtgever, maar ook voor de debiteur en voor ons, veel kosten besparen op het juridisch traject.”
Welke methoden gebruiken jullie om beter te kunnen voorspellen?
Laurens: “Onder de motorkap zetten wij met name classificatie- en regressiemethoden in, zoals logistische regressie en random forest. Beide methoden bestaan overigens al enige tijd. Wat verschilt is dat we over steeds meer relevante data beschikken. Verder maken we ook gebruik van technieken uit kunstmatige intelligentie, zoals machine learning. We zijn nu in de afrondende fase van een project, genaamd “Bankrobot”. Wij krijgen dagelijks veel (deel)betalingen van debiteuren binnen. Vaak wordt bij een betaling een dossiernummer vermeld, maar in een aanzienlijk aantal gevallen staat het dossiernummer niet vermeld. In het verleden moesten we dan veel handmatig en tijdrovend zoekwerk verrichten. Met de Bankrobot kunnen we tegenwoordig niet-gealloceerde betalingen behoorlijk accuraat aan dossiers toewijzen. Dat spaart niet alleen veel tijd, maar voorkomt ook dat onnodige acties ondernomen worden.”
Klantsegmentatie en profilering worden tegenwoordig bij GGN grootschalig toegepast. Kun je daar iets meer over vertellen?
Laurens: “Ongeveer twee jaar geleden stelden we onszelf de vraag of we de benadering van debiteuren effectiever zouden kunnen maken. We hebben toen een clusteranalyse gedaan, waaruit naar voren kwam dat we onze debiteuren in vijf verschillende groepen konden indelen. Deze groepen noemen wij GGN persona’s. Iedere groep heeft specifieke kenmerken, waaraan we ook actie- en communicatiepaden gekoppeld hebben. Neem bijvoorbeeld “Tamara”. Zij kenmerkt zich als een slechte betaler, die iedere maand moeite heeft om haar rekeningen op tijd te betalen. Bij een “Tamara” is het heel belangrijk dat een sommatiebrief ontvangen wordt precies op het moment dat ze haar uitkering krijgt. Stuur je zo’n brief twee weken later, dan is het geld waarschijnlijk alweer op. Zodra je met segmenten gaat werken komt er een spectrum aan mogelijkheden vrij, waar je mee kunt ‘spelen’. Niet alleen de timing, maar ook de tone of voice, die bijvoorbeeld gekoppeld kan worden aan opleidingsniveau, speelt een belangrijke rol in de effectiviteit van het incassoproces. Ook de mogelijke oplossingen worden in de beslissingsboom meegenomen. Voor een “Tamara” zullen we eerder een regeling aanbieden, terwijl dit bij een Hendrik-Jan (welgestelde laatbetaler) meestal niet nodig is. We zijn met data-analyse feitelijk continu aan het testen en finetunen.”
Wat heeft de toepassing van segmentatietechnieken aan concrete resultaten opgeleverd?
Laurens: “Een van onze klanten is een grotere speler in online retail. Voordat wij met segmentatietechnieken aan de slag gingen, haalden wij op dossiers een incassopercentage van rond de 30 procent. Door de gesegmenteerde benadering hebben we dit resultaat weten op te krikken naar bijna 55 procent. Met andere woorden: de door ons ontwikkelde gesegmenteerde aanpak heeft absoluut zijn vruchten afgeworpen. Hierbij moet wel aangetekend worden, dat te behalen resultaten ook sterk van de kwaliteit van de portfolio afhangen.”
Welke impact heeft segmentatie gehad op de eigen organisatie en werkwijze van de GGN medewerkers?
Laurens:”In eerste instantie was het best wel een strijd om deze manier van werken in de GGN organisatie te verankeren. Wij kunnen vanuit Advanced Analytics hele mooie dingen bedenken, maar intelligentie moeten uiteindelijk wel z’n weg zien te vinden in de organisatie. Daarom hebben we gekozen voor het gebruik van persona’s. Oorspronkelijk wordt dit concept vooral in marketing en klantenservice toegepast, maar het sluit ook goed aan bij creditmanagement en incasso. Bij het bepalen van een persona stel je voor een groep debiteuren met identieke kenmerken een profiel op. Je geeft de persona ook letterlijk een gezicht en een naam, waardoor het herkenbaar wordt en bij de collega’s gaat leven. We waren dan ook best trots met de resultaten die we behaald hebben bij het GGN Contact Center in Tilburg. Zodra een debiteur belt krijgen de medewerkers direct op het beeldscherm te zien met welke van de vijf persona’s ze te maken hebben. Tevens krijgen ze op hun scherm aanwijzingen hoe ze het beste kunnen handelen; wat ze wel en beter niet kunnen of moeten zeggen tijdens een gesprek met de debiteur. Het was mooi om te zien dat de gesprekken inhoudelijk hierdoor sterk veranderden.”
Hoe hebben julle ervoor gezorgd, dat persona’s ook echt bij de medewerkers zijn gaan leven?
Laurens: “Bij nieuwe concepten is het altijd belangrijk dat je deze goed en aansprekend uitlegt aan de medewerkers die ermee aan de slag moeten. Toen we de persona’s hadden uitgewerkt hebben we de toneelvereniging uit Tilburg uitgenodigd om de persona’s uit te beelden. Op een avond hebben we toen alle contactcentermedewerkers uitgenodigd, om ze te laten kennismaken met “Tamara” (probleembetaler), “Bryan” (moeizame betaler), “Job” (betrokken modale betaler), “Saïda” (Nochalante betaler) en “Hendrik-Jan” (welgestelde laatbetaler). Elke persona werd door een acteur verbeeld, maar de callcentermedewerkers wisten niet dat het acteurs waren. Ze dachten dat het echte debiteuren waren. Zo acteerde “Tamara” dat ze de volgende dag naar Vodafone zou gaan, omdat ze een nieuwe telefoon mocht uitzoeken. Een callcentermedewerker reageerde daarop “Je denkt toch niet dat zo’n telefoon gratis is? Nu snap ik waarom je in de problemen zit!”. Daarnaast hebben we in het contactcenter levensgrote poppen neergezet, wat de medewerkers er continu aan doet herinneren dat we met verschillende mensen en kenmerken te maken hebben. Iedere persona heeft dus zijn eigen karakteristieken en benaderingswijze. Ik ben regelmatig met Maarten Vader, onze Contact Centermanager (en tevens verkozen tot Contactcentermanager van het Jaar 2017) in overleg over mogelijke toepassingen. We hebben we afgesproken, dat iedere medewerker iedere dag een geel berichtje plakt op een van de persona’s en daarop aangeeft wat hem of haar daarbij is opgevallen. Zo leren we spelenderwijs steeds beter inzicht te krijgen in het gedrag en handelen van onze debiteuren en uiteraard ook hoe we daar beter mee om kunnen gaan.”
Sociaal of maatschappelijk verantwoord incasseren is een duidelijke trend in de incassosector. In hoeverre heeft het gebruik van persona’s hieraan bijgedragen?
Laurens: “Ik kan zeggen, dat juist het gebruik van persona’s ons enorm geholpen heeft om invulling te geven aan het begrip maatschappelijk verantwoord incasseren. We weten immers nu veel beter met wie we te maken hebben en of iemand niet kan of niet wil betalen. Zodoende zijn we ook beter in staat om debiteuren op een passende wijze te helpen bij het oplossen van hun individuele betalingsprobleem. Dat betekent concreet dat we dankzij persona’s betere, meer realistische betalingsafspraken en betalingstoezeggingen kunnen vastleggen, die aansluiten bij de betaalmogelijkheden en draagkracht van de debiteur. Dat is uiteindelijk in het belang van alle betrokken partijen.”
Hoe werken persona’s als jullie een debiteur nog niet kennen?
Laurens: “Dat is een goede vraag. Wij worstelden daar in het begin ook mee. Van alle Nederlandse consumenten die in een rekening wel eens niet of niet op tijd betaald hebben kennen wij ruim 90 procent. Als een debiteur ons callcenter belt en hij/zij komt niet in onze historische database voor, dan gebruiken we postcode-informatie om meer over de debiteur te weten te komen. Dan kun je denken aan zaken als adresgegevens, hoeveel debiteuren wonen er in die omgeving en wat is het gemiddelde inkomen. Op basis van die informatie proberen we vervolgens een inschatting te maken van het type persona die we aan de lijn hebben. Zo hebben we direct al een grof beeld hoe we de debiteur effectief kunnen aanspreken. Zodra we de debiteur beter (hebben leren) kennen, kan de algemene postcode informatie weer verwijderd worden en kennen we de definitieve persona toe.”
Wat zijn de voordelen van data-analyse en klantsegmentatie voor de opdrachtgever en de debiteur?
Laurens; “Dankzij data-analyse en het gebruik van persona’s kunnen we de opdrachtgever veel beter duidelijk maken, of het wel of geen zin heeft om met debiteur X het juridisch traject in te gaan en een dagvaarding te halen. Als een debiteur (tijdelijk) geen geld heeft, is het wellicht verstandiger om een debiteur een tijdje in de schuldbewaking te zetten en de situatie op een later tijdstip opnieuw te beoordelen. We evalueren ons scoremodel op wekelijkse basis en schaven dit waar nodig bij. Op dit moment levert ons model in 92 procent van de gevallen een correcte voorspelling op. Dit is een significante verbetering ten opzichte van twee jaar geleden, die ook aantoont wat de toevoegde waarde is van data-analytics, zowel voor de opdrachtgever, de debiteur en GGN. Ook kunnen we dankzij persona’s veel effectiever en klantgerichter met de debiteur communiceren, waardoor de kans op behoud van de relatie toeneemt en uitspraken over toekomstige incassoresultaten (betalingen) betrouwbaarder zijn. Voor de debiteur heeft deze aanpak ook significante voordelen: ineffectieve procedures en (hoge) kosten worden zoveel mogelijk vermeden. Bovendien wordt de debiteur op een passende wijze benaderd en aangesproken, waardoor hij/zij ook eerder bereid is om tot goede en vooral realistische (betalings)afspraken te komen.”
Hoe reageren opdrachtgevers hierop?
Laurens: “Wij krijgen hier eigenlijk alleen maar positieve reacties op. Diverse opdrachtgevers willen zelfs nog wel een stap verder gaan. We krijgen bijvoorbeeld een portefeuille van een klant, waarbij we allereerst bekijken uit welke persona’s deze is opgebouwd. Daaruit kan een verder gesprek voortvloeien, waarbij we dieper ingaan op de vraag waarom er bijvoorbeeld relatief veel Hendrik-Jannen voorkomen. Zo’n gesprek kan dan inzichten opleveren voor de opdrachtgever over de inrichting van zijn eigen creditmanagementproces. De discussie kan verder gaan dan uitsluitend creditmanagement. Als via marketing voornamelijk nieuwe klanten worden binnengehaald die aan de achterkant niet betalen, dan kunnen wij suggesties voor verbeteringen aandragen. Sommige opdrachtgevers vragen ons zelfs om persona’s te maken voor de wel op tijd betalende klanten!”
Hoe is de privacy gewaarborgd?
Laurens: “We hebben bij GGN een privacy-officer die zich voltijds met dit onderwerp bezighoudt. Ik moet ook verantwoording afleggen over de acties die ik onderneem en ideeën die ik voorstel op het gebied van data en de bewerking hiervan. Intern moet ons data-analysemodel volledig inzichtelijk zijn. Dat betekent dat we moeten kunnen uitleggen hoe we tot een bepaalde conclusie gekomen zijn. Waarom is een klant gekenmerkt als “Tamara” en niet als “Job”? Met andere woorden, ik denk dat de privacy van debiteuren bij ons goed gewaarborgd is.”
Hoe ziet de toekomst van GGN eruit?
Laurens: “We zullen ons op het gebied van data-analytics nog veel verder doorontwikkelen, waardoor we nog meer een data-gedreven organisatie worden dan we nu al zijn. Data-analyse zal de onderscheidende factor zijn in de creditmanagement- en incassosector. Het doel van data-analyse is om de inzichten hieruit in te zetten om processen te verbeteren. Bedrijven die hier niet toe in staat zijn, zullen de boot missen. Een deurwaarderskantoor dat zich enkel met het opstellen van exploten, sommaties en dagvaardingen bezighoudt zal het moeilijk krijgen, want het is niet meer sociaal acceptabel om het vel over de oren te trekken van mensen die niet kunnen betalen. Je moet dus met behulp van data-analyse in staat zijn om te voorspellen of een debiteur wel of niet kan betalen en daar ook de juiste vervolgactie op kunnen nemen. Kortom, we gaan interessante tijden tegemoet!”
Wilt u meer weten over Advanced Analytics bij GGN? GGN is als exposant aanwezig op Credit Expo 2017 op donderdag 2 november aanstaande in Nieuwegein. U vindt GGN bij standnummer NB.30. Laurens Ruster geeft een presentatie over Advanced Analytics in creditmanagement in zaal 6/7 om 11.00 uur. Mis het niet!
Bron: Credit Expo
