Het goedkeuringsproces voor kredieten vereenvoudigen

Context & doelstellingen

Een bedrijf actief in B2B-kredietverlening wilde een deel van zijn kredietbeslissingsproces verfijnen en automatiseren.

De beoordeling door een gespecialiseerd analistenteam was lang en tijdrovend: ze kon tot 8 uur per dossier duren. Door het groeiende aantal kredietaanvragen werd prioritering en automatisering dringend.

De klant wilde dossiers die hoogstwaarschijnlijk zouden worden geweigerd al vóór de analyse uitsluiten, zeer kansrijke dossiers aanvaarden en meer inzicht krijgen in de belangrijkste bepalende factoren voor kredietgoedkeuring.

Met dat doel wilde Agilytic de werkdruk voor interne teams verlagen door het goed- of afkeuren van kredieten te vereenvoudigen.

Aanpak

Op basis van onze ruime ervaring in de banksector wilden we dat doel bereiken en extra waarde leveren met sector- en ecosysteemindicatoren.

We deelden bedrijven in volgens een van de 27 Europese subsectoren. Per subsector bepaalden we welke indicatoren verband hielden met de financiële gezondheid, zoals het faillissementsrisico. Zo zijn solvabiliteits- en afschrijvingsratio's relevant voor kapitaalintensieve bedrijven, terwijl liquiditeits- en voorraadratio's relevanter zijn voor retailers. Daarna konden we zowel al gefinancierde bedrijven als nieuwe aanvragen positioneren.

Om onze bevindingen algemeen toepasbaar te maken, gebruikten we balanswaarden als indicatoren, zoals:

• Solvabiliteit

• Verhouding tussen kort- en langlopende schulden

• Handelsvorderingenratio

• Cashflow na belastingen

• Liquiditeit

• Cashflow en ingehouden winsten

• Voorraadrotatie

• Het verschil tussen de betalingstermijnen van klanten en leveranciers

Deze aanpak verrijkt de analyse en brengt tekortkomingen van bepaalde bedrijven preciezer in beeld. Ze kan ook worden geautomatiseerd en relevante benchmarks opleveren die het sectorinzicht van de klant vergroten.

We verdeelden het project in drie fasen om per subsector relevante indicatoren te selecteren.

In de eerste fase bepaalden we de belangrijkste variabelen voor kredietgoedkeuring zoals solvabiliteit, marge, omzet en quick ratio.

In de tweede fase analyseerden we een representatieve steekproef van historische kredietaanvragen van de klant, zowel aanvaarde als geweigerde. We bepaalden de belangrijkste variabelen achter de financieringsbeslissing, zoals boekhoudkundige variabelen, sector en leeftijd. We legden ook aanvaardingsdrempels vast waarboven of waaronder financiering gunstig is.

Tot slot maakten we een ratingmodel dat nieuwe kredietaanvragen een score van 0 tot 100% geeft. Elke rating bevat uitleg, zodat interne teams de redenering achter de score kunnen interpreteren. Het model leidt tot automatische goed- of afkeuring of markeert het dossier voor verder onderzoek.

Resultaten

In minder dan twee weken leverden we deze resultaten:

Nauwkeurigere kredietbeslissingen: het model verlaagde het wanbetalingsrisico aanzienlijk en verhoogde tegelijk het aantal leningen.

• Een productiever team: de tijd per kredietaanvraag daalde van 8 naar 4 uur, een vermindering van 50%.

• Een veiligere ROI voor de financiers van de financiële instelling.

• Nieuwe medewerkers sneller inwerken dankzij gedeelde regels.

Het geautomatiseerde aanvraag- en ratingsysteem hielp de klant tijd te besparen en de kwalificatie en onboarding van zijn eigen klanten te verbeteren.