Een weloverwogen inzet van big data bij schuldenproblematiek
We staan aan de vooravond van een data-revolutie. Krachtige algoritmen bieden zowel de overheid als de markt nieuwe handvatten om financiële problematiek bij huishoudens sneller op te sporen en beter aan te pakken.
Bij de overheid leveren analyses bijvoorbeeld op dat steeds meer gemeenten invulling geven aan data-gestuurde vroegsignalering. Zij combineren achterstandsgegevens van onder meer woningcorporaties, zorgverzekeraars, energie- en waterbedrijven om in kaart te brengen achter welke voordeur er grote financiële problematiek speelt. Bij een datamatch gaan maatschappelijk werkers of andere vertegenwoordigers van de gemeente (onaangekondigd) op huisbezoek om te verkennen wat er aan de hand is en zij bieden desgewenst actief schuldhulpverlening aan.
Voor de financiële sector is het gebruik van data al lang gemeengoed. Persoonlijke gegevens spelen een rol in de verstrekking van onder meer kredieten, hypotheken en creditcards. Toch biedt de snelle groei aan nieuwe gegevens ook daar nieuwe kansen. Zo experimenteren hypotheekverstrekkers met nieuwe algoritmen die voorspellen welke huishoudens een verhoogde kans hebben om op afzienbare tijd in achterstand te raken. Net als gemeenten nemen zij actief contact op met klanten en proberen ze waar mogelijk het tij te keren. Het is een wenkend perspectief dat we mensen actief opzoeken en mede daardoor er aan bijdragen dat er geen financiële problemen ontstaan of dat we voorkomen dat die escaleren. Big data als middel om het financieel bewustzijn van de klant te vergroten en de risico’s voor schuldeisers en maatschappij te beperken.
En toch is er ook een keerzijde. Een algoritme is per definitie gebaseerd op data uit het verleden en omvat, hoe veelomvattend de input ook is, nooit alle relevante data. Dus als we op basis van algoritmen bijvoorbeeld gaan bepalen hoeveel maanden we iemand de tijd geven om een achterstand in te lopen dan nemen we ook een maatschappelijke verantwoordelijkheid op onze schouders. Doorgaans wordt de vraag of je twee, vier of misschien wel zes maanden de tijd krijgt om een achterstand in te lopen ondermeer gebaseerd op de hoogte van de achterstand, de vraag of je al eerder een achterstand had en de wijze waarop je die een eventuele eerdere keer hebt ingelopen. Incassomedewerkers proberen in gesprekken met klanten relevante informatie te verzamelen en bepalen op basis daarvan de strategie.
Algoritmen kunnen dat werk overnemen. We analyseren de data die we ter beschikking hebben en bepalen op basis daarvan hoeveel maanden iemand de tijd krijgt om de achterstand in te lopen. Maar hebben we dan alle relevante informatie? De net gevonden baan, een nieuwe partner, de onverwacht hoge rekening van de APK-keuring of een andere schuldeiser die beslag legt op het inkomen maken niet vanzelfsprekend deel uit van het algoritme. En toch hebben ze grote impact op de mogelijkheid om een achterstand in twee, vier of zes maanden in te lopen. Algoritmen maken de inzet van incassomedewerkers niet overbodig. Ze vragen om een herijking van de incasso-opdracht, te weten verkennen of er goede redenen zijn om de suggestie van het algoritme niet te volgen. De mate waarin het klantbelang in de data-revolutie gediend gaat worden in de financiële sector gaat niet alleen afhangen van de kwaliteit van de te bouwen algoritmen maar vooral van de vraag of we ons blijven realiseren dat een algoritme, hoe omvattend ook, altijd slechts een goed geïnformeerde indicatie is.
Bron: BankWereld 2018 – 2
