We zijn nog maar net gewend aan de term big data als de volgende technologische ‘evolutie’ alweer voor de deur staat: robotisering. Robotisering is de verdere verbetering van bedrijfsprocessen, waarbij steeds meer menselijke handelingen worden vervangen door software of machines. In dit interview spreek ik met Rody Heijstek, CEO van Mail to Pay, over robotisering en de invloed daarvan op de rol van de creditmanager.
We komen de term robotisering steeds vaker tegen in de media. Kun je deze term nader toelichten, vooral als het gaat om creditmanagement?
“Onder robotisering versta ik software en machines die logische instructies uitvoeren, waardoor werkzaamheden die vroeger door mensen gedaan werden nu door deze software en machines worden overgenomen. Er is overigens wel een verschil tussen automatiseren en robotiseren. Bij robotisering gaat het vooral om de vervanging van menselijk handelen. Creditmanagement leent zich bij uitstek voor robotisering, omdat er tal van beslissingen op basis van data worden genomen. En dat is nu precies wat een robot of computer significant beter en sneller kan dan mensen.”
Wat is het verschil tussen ‘traditioneel’ creditmanagement en creditmanagement met behulp van algoritmes?
“Veel van de huidige creditmanagementsystemen komen niet veel verder dan een statische afhandeling van elkaar in de tijd opvolgende acties. Op dag één wordt een factuur gestuurd, op dag vijftien een herinnering, op dag twintig een telefoontje, op dag dertig een tweede herinnering, enzovoort. Is dit je huidige manier van werken, dan maakt een robot, die op basis van algoritmes werkt, een wereld van verschil.
Bij Mail to Pay maken we voor bedrijven procesbeschrijvingen en vertalen die vervolgens naar algoritmes. Simpel gesteld, stellen we een reeks van mogelijke ‘if-this-then-that’-regels op die we samen met de klant in onze software opnemen. Op deze manier kan per individuele case een veel betere afweging worden gemaakt over de beste of meest effectieve vervolgstap in het incassoproces.”
Hoe bouw je een zelflerend algoritme? Wat zijn de minimale vereisten en wat voor soort bedrijven kunnen hier gebruik van maken?
“Om een statistisch stabiel model te kunnen bouwen, moet je over zo veel mogelijk voorbeelden beschikken, verzameld over een langere periode. Dan kun je denken aan klantprofielen, betalingservaringen, acties die ondernomen zijn én de resultaten die daarmee behaald zijn. Het minimum ligt op ongeveer vijfduizend betaalverzoeken per maand. Bedrijven waar deze techniek erg goed werkt, zijn bijvoorbeeld energieleveranciers, drinkwaterbedrijven, telecombedrijven, verzekeraars, hogescholen en universiteiten, postorderbedrijven en woningcorporaties.”
Hoe verbetert een algoritme zichzelf?
“Stel dat een aanmaningsproces is opgebouwd uit de volgende acties: eerst een e-mailbericht, dan een telefoontje, bij geen succes een sms en als dat nog niet geholpen heeft, volgt nog een papieren herinnering. Als een debiteur heeft laten zien in bepaalde gevallen sneller te betalen wanneer hij een herinnering per sms ontvangt, kan de robot ervoor kiezen om af te wijken van het standaardproces en eerst een sms-herinnering te sturen. Heeft dit afwijkende patroon een positief effect, dan onderneemt de robot in soortgelijke gevallen voortaan dezelfde actie. Kortom, de machine leert van de ervaringen, waardoor de toepassing van het algoritme tot steeds betere incassoresultaten leidt. Heb je met behulp van machinelearning eenmaal het niveau bereikt dat je beter bent dan het huidige proces, dan word je niet meer slechter. Sterker nog: je wordt alleen maar beter, omdat alleen positieve afwijkingen op het standaardproces nog geaccepteerd worden. Zeker bij de supergrote debiteurenportfolio’s van bijvoorbeeld energiemaatschappijen zijn er met machinelearning potentieel heel grote positieve effecten te behalen.”
Tref je in de dagelijkse creditmanagementpraktijk al voorbeelden aan van machinelearning? Passen jullie dit soort technieken ook zelf al toe?
“Mail to Pay bestaat nu bijna zeven jaar. De afgelopen twee jaar zijn we uitsluitend bezig geweest met de toepassing van machinelearning binnen het creditmanagement. We introduceren dit jaar op de Credit Expo onze machinelearningtool, Mail to Pay Machine Learning (https://www.mailtopay.nl/producten/machine-learning). Een aantal van onze klanten gebruikt deze tool al. We voeden de software met zo veel mogelijk uitkomsten van verschillende incassoscenario’s. Op basis van de ervaringen van die scenario’s bepaalt ons systeem de incassoactie die voor de hoogste waarschijnlijkheid van betaling zorgt. Dit kun je vervolgens toepassen op facturen, herinneringen, betalingsregelingen en aanmaningen. Kort gezegd: een robot maakt in elke zaak de best mogelijke afweging gebaseerd op alle variabelen en ervaringen die hij tot zijn beschikking heeft. Een afweging die beter is dan die van een ouderwets agendasysteem, of een mens.”
Wat zijn de belangrijkste – in de praktijk geconstateerde – voordelen van machinelearning?
“We meten drie belangrijke effecten bij de debiteur. Allereerst kom het geld veel sneller binnen. Ten tweede komt er méér geld binnen, omdat je op debiteurniveau een gerobotiseerde maatwerkbehandeling geeft. Het derde voordeel is een grotere klanttevredenheid, omdat je op deze manier kunt voorkomen dat je een klant naar een incassobureau of deurwaarder stuurt. Het bedrijf dat dergelijke technieken inzet, voert het meeste van deze handelingen uit zonder handmatige tussenkomst, met een enorme personele besparing als gevolg. Er zijn alleen nog mensen nodig om de uitzonderingen te behandelen.”
Worden op dit moment creditmanagers al vervangen door technologie?
“Wij hebben een aantal klanten met grote debiteurenportefeuilles waar inmiddels geen creditmanager meer werkt. De werkzaamheden zijn ‘overgenomen’ door algoritmes of zelflerende robots. De resultaten daarvan zijn beter dan de resultaten van hun (menselijke) voorgangers. Het is een ontwikkeling die niet meer tegen te houden is.”
Wat betekent deze technologie voor de rol van incassobedrijven en deurwaarders?
“Ik voorzie dat incassobedrijven en deurwaarders die niet meegaan met deze ontwikkelingen lastige tijden tegemoet gaan. B2C-bedrijven zijn namelijk met behulp van nieuwe software straks steeds meer in staat om hun betaal- en incassoproces volledig zelf in te richten. Dus zonder tussenkomst van incassobedrijven. Bovendien kunnen ze, conform de Wet Incassokosten, ook nog eens zelf de incassokosten opstrijken. Deze opbrengsten kunnen ze gebruiken om klantvriendelijke incassosystemen te installeren met de focus op schuldpreventie en klantbehoud.”
Hoe verhoudt robotisering zich tot de menselijke aspecten en behoeften aan persoonlijk contact?
“Veel mensen zijn de afgelopen tien jaar gewend geraakt om digitaal te communiceren via websites, computers, smartphones en andere digitale middelen. Ik denk dat dit ertoe heeft bijgedragen dat veel mensen er geen enkele moeite mee hebben om financiële zaken via een systeem af te handelen.”
Bedoel je dat persoonlijk contact niet meer nodig is?
“Natuurlijk zijn er nog situaties waarbij persoonlijk contact noodzakelijk is, maar ik verwacht dat die in de toekomst sterk afnemen. Als je kijkt naar het incasseren van rekeningen in het grootbedrijf, zie je dat veel incassoafdelingen in vergelijking met vijf tot tien jaar geleden nog maar een zeer beperkte workforce nodig hebben om al het werk in goede banen te leiden. Honderd procent robotisering is geen realistische oplossing; er zijn altijd mensen nodig om uitzonderingen te behandelen. Maar als modern bedrijf heb je veel minder administratieve krachten nodig op de incassoafdeling dan voorheen.”
Over welke vaardigheden en kennis moet een aankomende creditmanager of creditcontroller beschikken? Wat zou je hem of haar adviseren?
“Ik zou hem of haar in ieder geval adviseren zich te verdiepen in data-analyse en het programmeren van robots, zodat je de opgedane kennis daarna in het creditmanagement kunt toepassen. In ieder geval heb je als data-analist of als programmeur wel wat meer baanzekerheid, zeker in het vakgebied van creditmanagement.”
In hoeverre zien creditmanagers robotisering als een bedreiging?
“Volgens mij zijn er twee groepen creditmanagers. De eerste groep is bezig met robotisering van de incassoafdeling. Deze creditmanagers kunnen heel erg succesvol zijn de aankomende jaren. De andere groep wordt het slachtoffer van de eerste groep; deze creditmanagers worden vervangen door robotisering. Uiteindelijk moet je kiezen: ga je mee in de ontwikkeling of laat je jezelf vervangen?”
Heeft robotisering voornamelijk betrekking op consumentenmarkten of ook op zakelijke markten?
“Robots en zelflerende systemen werken het beste in een omgeving met veel voorbeelden en repeterende patronen. Aangezien er meer consumenten dan bedrijven zijn, is het logisch dat onze focus op dit moment vooral gericht is op consumentenmarkten. Robotisering en zelflerende algoritmes kunnen wel heel goed worden ingezet in zakelijke markten gericht op zzp’ers en het (kleine) mkb. Zeker ook vanwege de grote aantallen kleine ondernemingen en zzp’ers die Nederland rijk is.”
In hoeverre kan een kleine ondernemer of zzp’er gebruik maken van dit soort geavanceerde technologieën?
“De maatwerktoepassingen zijn voor een zzp’er nu niet echt betaalbaar. Kleine ondernemers moeten uitwijken naar generieke toepassingen of samenwerken binnen een debiteurenbeheerplatform dat zich een dergelijke techniek wel kan veroorloven. Payt is daar een voorbeeld van.”
Als je vijf jaar in de tijd vooruit kijkt, hoe zie jij dan de toekomst en in het bijzonder de toekomst van creditmanagement?
“Ik denk dat voor de debiteur de technologie opschuift naar mobile personal computing. Vanuit bedrijven denk ik dat we tegen die tijd veel meer te maken hebben met robots die ‘praten’ met het mobieltje van hun klanten. Deze ontwikkeling zal niet alleen invloed hebben op creditmanagement en het betalen van rekeningen, maar ook op andere gebieden zoals marketing, advertising en sales. We mogen aannemen dat veranderingen in de toekomst steeds sneller gaan. Daar zul je je als bedrijf op moeten voorbereiden. Ontwerp geen bedrijfsproces dat vijf jaar mee moet gaan, dat is veel te lang. Ben je nu bezig met het wijzigen van je bedrijfsprocessen, zorg dan dat je processen neerzet die snel kunnen veranderen als het nodig is.”
Meer weten over Mail to Pay Machine Learning? Mail to Pay is als exposant aanwezig op Credit Expo 2017, op donderdag 2 november aanstaande in Nieuwegein. U vindt Mail to Pay bij standnummer 34 en 35. Mis het niet!
Over Rody Heijstek, CEO Mail to Pay
Rody werkt al meer dan tien jaar in de wereld van creditmanagement en levert software die incassoprocessen automatiseert en optimaliseert.
Meer weten over Mail to Pay? Bezoek dan de Credit Expo op donderdag 2 november 2017. Mail to Pay is vinden op standnummer NB.34
