Dit artikel helpt u op weg om in 5 praktische stappen data in te zetten in uw creditmanagementprocessen.
Er zijn vele redenen om als creditmanager data in te zetten. Effectievere processen, wanbetaling voorspellen én voorkomen, kostenbesparing, hoger incassorendement, enzovoorts. Uit onderzoek blijkt zelfs dat bijna 60% van de creditmanagers big data en marketing intelligence als prioriteit ziet. Tijd om aan de slag te gaan dus! In dit artikel help ik u op weg met 5 praktische stappen om data in te zetten in uw creditmanagementprocessen.
1. Bepaal het doel van data in uw creditmanagementproces
De belangrijkste stap is het bepalen van een duidelijk doel. Veel organisaties beginnen met het aanschaffen van systemen zonder dat ze het uiteindelijke doel voor ogen hebben. Vraag uzelf af waar u (big) data voor wilt gebruiken en doe dit zoveel mogelijk samen met betrokkenen in de organisatie, bijvoorbeeld collega’s van sales, de klantenservice, facturatie et cetera.
Begin met vraagstukken die het meeste opleveren. U kunt data bijvoorbeeld gebruiken om vast te stellen wat de meest geschikte contactmethode is voor een debiteur. Moet u de debiteur bezoeken, bellen, een brief sturen of juist e-mailen? Vooral bij huisbezoeken en bellen is het van belang om de kans op succes van tevoren te bepalen, aangezien de kosten die u bij deze kanalen maakt relatief hoog zijn. Bij e-mail kunt u waarschijnlijk ook een verbetering realiseren, maar dit levert relatief gezien minder op.
2. Verzamel relevante data
Zodra u de doelen helder heeft, kunt u van start met het verzamelen van relevante data. Veel data is intern beschikbaar. Denk hierbij aan de dienst of het product dat is gekozen, het instroomkanaal, de regio waar de klant woont, de leeftijd, contact met de klantenservice et cetera.
Vaak loont het de moeite om naast interne data ook externe data te verzamelen. Met de komst van open data is veel data vrij te verkrijgen. Denk hierbij bijvoorbeeld aan CBS gegevens over stedelijkheid en leeftijdsverdeling op postcodegebied. Let bij het verzamelen van data wel altijd op de relevantie. Welke data heeft u nodig om betere keuzes te maken? Steek de meeste tijd in de bronnen die het meest belangrijk zijn.
Het is ook mogelijk om data in te kopen bij externe partijen. Zo kunt u bijvoorbeeld betaalervaringen van consumenten en bedrijven inkopen. Door te beoordelen hoeveel schade u voorkomt met de inzet van deze ingekochte data, kunt u bepalen of de baten opwegen tegen de kosten van deze data.
3. Beoordeel en verbeter de datakwaliteit
Datakwaliteit is het fundament voor goede processen en analyses. Bij datakwaliteit gaat het om de volledigheid en juistheid van de data. Veel bedrijven vinden dit een lastig onderwerp, aangezien er vaak niet één persoon of afdeling verantwoordelijk is voor datakwaliteit. Daarom is het belangrijk om vanuit meerdere disciplines naar datakwaliteit te kijken. Zo wil een salesafdeling vaak niet te veel persoonsinformatie zoals een geboortedatum of telefoonnummer uitvragen bij een order om te voorkomen dat iemand de order niet afmaakt. Voor creditmanagement is een geboortedatum en telefoonnummer echter van groot belang om een goede risico-inschatting te maken en in contact te komen met een debiteur bij eventuele wanbetaling. Maak om deze reden goede afspraken over wanneer welke informatie wordt gevraagd.
Naast volledigheid is juistheid van belang. Zorg ervoor dat er goede kwaliteitschecks zijn om vast te stellen of namen, adressen en telefoonnummers correct zijn. Indien nodig kunt u onjuiste data laten corrigeren en ontbrekende data laten verrijken door een externe partij.
4. Gebruik voorspellende analyses
Na het beoordelen en verbeteren van de datakwaliteit, begint de analysefase. Hierbij start u in eerste instantie met het maken van simpele beschrijvende analyses. Het is echter zaak om zo snel mogelijk de stap naar voorspellende analyses te maken. Hiermee bepaalt u wat de meest bepalende factoren zijn. Een voorbeeld is een model dat de kans op wanbetaling voorspelt. Door klanten met een (te) hoge kans op wanbetaling niet of onder bepaalde voorwaarden te accepteren voorkomt u vooraf al veel schade. Dit zorgt gelijk al voor een besparing waarmee u de investering in (big) data terugverdient.
Door daarnaast dit model ook te gebruiken voor de geaccepteerde klanten bij debiteurenbeheer en incasso kunt u het resultaat nog verder vergroten. Bij debiteurenbeheer krijgen klanten met een hoog risico bijvoorbeeld minder mogelijkheden om (grote) schulden te maken. Bij incasso kunt u de investeringen in de debiteur (aantal contactmomenten) aan de kans op inning koppelen. Wanneer u de investering niet terug kunt verdienen, stopt u het incassotraject voor die debiteur.
5. Blijf nieuwsgierig
Naast de inzet van modellen is het van belang om nieuwe dingen te proberen. Zet bijvoorbeeld andere kanalen in zoals voice-broadcast of WhatsApp. Probeer eens een alternatief proces met een extra processtap of juist een processtap minder. Wanneer je hiermee varieert is het van groot belang om een goede testopzet te maken. Hanteer bijvoorbeeld bij 50% het oude proces (champion) en bij de andere 50% het nieuwe proces (challenger). Het verschil tussen beide processen laat het resultaat zien. Het toevoegen van een processtap kost bijvoorbeeld extra geld, maar wanneer u daardoor een veelvoud aan inning realiseert is dit juist een goede investering. Door steeds meer te testen kunt u continu uw processen verbeteren en krijgt uw organisatie een duurzaam concurrentievoordeel.
Gebruik de juiste kennis
Er is nog veel te winnen voor creditmanagers op het gebied van data. Met deze stappen slaat u in ieder geval een flinke slag. De stappen zijn voor elke organisatie met data uit te voeren. Uiteraard is er wel enige kennis nodig, vooral bij het uitvoeren van de juiste analyses. Toch blijkt vaak dat er al veel kennis aanwezig is in de eigen organisatie. Mocht u behoefte hebben aan extra kennis of advies, dan kom ik graag eens met u van gedachten wisselen.
Bron: FOCUM
