“Data is bepalend voor al onze beslissingen”, zegt Marijn van Aerle, CTO en medeoprichter van Floryn, een Nederlandse fintech kredietverlener voor het MKB. De belangrijkste databronnen zijn het CRM, online advertenties en event tracking, evenals het eigen platform. Alle data worden door Fivetran doorgesluisd naar het datawarehouse van Floryn dat draait op PostgreSQL. “We interpreteren onze data met Looker om alles te modelleren en te visualiseren.” In een recent webinar sprak de CTO over vier gebieden waar Floryn data gebruikt om zijn prestaties te verbeteren.

[su_row][su_column size=”1/4″]

[/su_column][su_column size=”3/4″]

Hoe je je data integreert

Wil je meer weten over data-integratie? We hebben een zeer toegankelijke paper over dit onderwerp. Als je hieronder je contactgegevens achterlaat, sturen we direct een downloadlink naar je mailbox.

[/su_column][/su_row]

Marketingkosten en ROI

Een bedrijf als Floryn is sterk afhankelijk van online adverteren en spendeert er elke maand enkele honderdduizenden euro’s aan. Het bedrijf voert ook offline brandingcampagnes uit. Het is erg belangrijk om te weten hoe deze campagnes presteren. Voor offline campagnes voert de boekhoudafdeling factuurgegevens in de eigen applicatie in en deze worden automatisch geëxporteerd naar Google Sheets. Fivetran importeert de sheet data weer automatisch naar het datawarehouse. Daar worden alle kosten samengevoegd en kan de marketingafdeling van Floryn met behulp van Looker vergelijkingen maken en verbanden tussen data zien.

“In Amsterdam hebben we veel aan marketing gedaan en als je deze data combineert met de online data, kun je daadwerkelijk zien of deze ‘city takeover’ invloed heeft op de Google Ads-resultaten in Amsterdam in vergelijking met andere steden in Nederland. Toen zagen we dat onze offline marketingcampagnes voor een flinke verbetering zorgden in onze performance marketing. Het veranderde de uitkomst van die campagne volledig.”

Risicobewaking

Een kleine kredietverstrekker moet goed op zijn bottom line letten en het aantal klanten dat in gebreke raakt zo laag mogelijk houden. “Een datawarehouse is heel veelzijdig”, zegt Marijn van Aerle. “We gebruiken dezelfde tool die we gebruiken voor marketingcampagnes – Looker – om ons risico in de gaten te houden.” Floryn gebruikt enkele basisstatistieken zoals alle kredietverleners, zoals de kans op wanbetaling binnen een bepaalde periode, de gemiddelde omzet in vergelijking met de hoeveelheid geld die een klant leent, of een andere financieringsmaatschappij waarmee een klant een contract sluit. Door deze en andere statistieken regelmatig te monitoren, houdt Floryn zijn klantenbestand gezond. “Ook onze kredietbeoordelaars gebruiken Looker om de gezondheid van onze portefeuille te bewaken.”

Machine learning modellen: training

Een gebied dat gerelateerd is aan risicomonitoring is machine learning (ML). “We hebben machine learning ook laten kijken naar onze klanten.” De kracht van het bedrijf ligt in het combineren van ML en menselijk ingrijpen door een team van kredietbeoordelaars. Bij grote leningen loont het om, na beoordeling door een ML-model, ook nog een mens naar een aanvraag te laten kijken, zegt Marijn van Aerle. “Fouten zijn kostbaar en je wilt niet dat je model leert van die fouten. Als ik een aanzienlijk aantal verliezen wil hebben om [het model] te kunnen trainen, is dat gewoon te duur.”

Dus medewerkers sturen de modellen, maar het werkt ook andersom, legt Marijn uit. De modellen kunnen mensen helpen meer consistente beslissingen te nemen. De kredietbeoordelaars kunnen instemmen met de uitkomst dat het model voorstelt, of uitleggen waarom ze een andere beslissing nemen en zodoende het model verbeteren.

“Elke keer dat het ML-model en een medewerker het oneens zijn, kunnen we verbeteren. Dit is waar de combinatie van tools echt in uitblinkt”

Hoe ziet dit proces eruit? Floryn gebruikt de bankgegevens van de klant en ontleedt, categoriseert en analyseert deze op zijn platform. De data wordt opgeslagen in Postgres en is daardoor goed leesbaar voor computers. Fivetran synchroniseert deze data vervolgens naar het datawarehouse, samen met alle andere data over risico’s, marketing en nog meer, en met al deze data kan Floryn zijn modellen trainen, waarvoor het Amazon Sagemaker gebruikt.

Sagemaker produceert grafieken die door datawetenschappers kunnen worden geïnterpreteerd om de modellen regelmatig aan te passen. De tool draait in een beveiligde omgeving, aangezien er veel gevoelige consumentengegevens bij betrokken zijn. De combinatie van data kan zeer waardevolle resultaten opleveren, zegt Van Aerle. “We kunnen bijvoorbeeld zien wat de gemiddelde omzet van klanten is die we via een bepaalde Adwords-campagne binnenhalen.”

Machine learning-modellen: monitoring

Het monitoren van ML-modellen wordt nogal eens vergeten, legt Marijn van Aerle uit. “Je moet echt kijken of je model in productie hetzelfde doet als je dacht dat het zou doen in training.” Er kan van alles misgaan: bij de datavalidatie, bij een productteam dat net aanpassingen heeft gedaan aan een product, of door veranderende marktomstandigheden. “Je hebt een feedbackloop nodig waarin medewerkers zitten, die met Looker naar de details van cases kunnen kijken. Het model keurt bijvoorbeeld een deal goed, maar een medewerker verwerpt deze, of andersom. Elke keer dat het model en een medewerker het oneens zijn, kunnen we verbeteren. Dit is waar de combinatie van tools echt in uitblinkt.

Klantenbehoud

Klanten binden kan moeilijk zijn, maar de data-omgeving van Floryn maakt het gemakkelijk en zelfs winstgevender. Kredietlimieten van klanten zijn gerelateerd aan wat Floryn denkt dat een klant zou kunnen lenen op basis van het risicobedrag en hun terugbetalingsvermogen. Maar als een bedrijf groeit, kan het krediet ook groeien. Floryn heeft hiervoor een geautomatiseerd proces dat verkoopteams op de hoogte stelt wanneer het een kans ziet.

Maar, legt Marijn van Aerle uit, Floryn heeft de communicatie met de klant niet volledig geautomatiseerd. “Als verantwoordelijke kredietverstrekker moet je weten waar je klant het geld voor nodig heeft.” De opzet is vertrouwd: de bankgegevens van de klant worden ontleed, gecategoriseerd en geanalyseerd op het platform, en van daaruit laadt Fivetran deze gegevens in het datawarehouse. Met Looker synchroniseert een actie elke nacht de gegevens met het CRM (Hubspot). In het CRM kunnen verkoopteams via workflows werken met de nieuwe data en contact opnemen met de klant.

Dit proces leidde tot een aanzienlijke verhoging van de kredietlimieten en de loan-to-value ratio – en tot blij verraste klanten. “Ze zijn niet gewend om met hun bank te praten”, lacht Marijn. “Bij een traditionele bank krijgen ze een krediet, waarna ze waarschijnlijk nooit meer met hen zouden praten.”