Sådan opbygger du et effektivt scorekort

I sin enkelhed er et scorekort en sandsynlighedsmodel, der skal fortælle dig, hvor sandsynligt det er, at den kunde, du overvejer at give kredit til, vil have evnen til at betale tilbage.

"Vores scorekort tager udgangspunkt i det, vi kalder PoD, eller 'Probability of Default,' altså hvor stor sandsynlighed der er for, at en virksomhed går konkurs inden for en given periode, normalt inden for 12 måneder. Derefter oversætter vi denne PoD til en score mellem 1 og 100, hvor de med størst sandsynlighed for at gå konkurs får den laveste score, og vice versa," siger Camilla Frimmel, Chief Analytics Officer i Creditsafe Group.

Der er ikke noget til hinder for, at virksomheder kan udvikle gode scorekort internt i organisationen, men, at der er en række forudsætninger som skal være til stede for at lykkes.

"Den absolut største udfordring er adgang til information og forskellige dimensioner af data. Har du historiske data på plads? Hos Creditsafe har vi igennem mange år opbygget et miljø til analyse med en fuld sporbarhed, der blandt andet inkluderer tidsstempling og ændringslog," fortæller hun.

"En anden udfordring, som mange støder på, er at skaffe tilstrækkelig mængde relevante data. Når vi bygger scoringsmodeller, ser vi på en samlet befolkning, som vi derefter opdeler i mindre segmenter. For at kunne lave en god analyse er vi derfor afhængige af at have tilstrækkeligt mange kunder til at foretage gode observationer," fortsætter Creditsafes chefanalytiker.

"Det er ikke nødvendigvis størrelsen af kundeporteføljen, der er afgørende her, men derimod at vi skal have en vis andel og tilstrækkeligt antal dårlige kunder for at opnå en solid statistisk relevans. Dette er ofte vanskeligere for virksomheder, der henvender sig til virksomheder, end for dem, der har privatpersoner som deres kundegruppe," uddyber hun.

En anden hurdle, mange støder på, er mangel på kompetence og viden om, hvordan man skal tolke og bruge data.

"Det allervigtigste, du skal forstå, er, hvor data kommer fra, hvad de betyder, hvordan de stemmer overens med interne kreditprocesser, og hvordan kreditprocessen fungerer i dit marked, din branche og dit land," siger Camilla Frimmel.

"Denne kompetence er helt afgørende, hvis du skal opbygge en scoringsmodel, der kan hjælpe dig med at træffe gode kreditbeslutninger. Du kan ikke bare indsætte data i en formular, trykke på en knap og få et scorekort."

Når Creditsafe opbygger et scorekort - enten det er et generisk scorekort eller skræddersyet til en af vores kunder - går vi altid tilbage i tiden og identificerer en udviklingspopulation, som vi derefter segmenterer i underpopulationer.

"Det måske absolut vigtigste, når du skal bygge et scorekort, og noget vi bruger meget tid på, er 'population design.' Hvilke virksomheder eller personer skal være med i modellen? Du kan ikke inkludere dem alle. For eksempel kan du ikke inkludere virksomheder, der allerede er konkurs, eller virksomheder med ti år gamle årsrapporter. Du skal designe et relevant udvalg af befolkningen for at sikre, at modellen bygges på den rette grundlag," understreger Camilla Frimmel.

"Mislykkes du med dit 'population design,' mislykkes du med hele scorekortet.

Når befolkningen er defineret, skal vi afgøre, hvad der definerer en 'dårlig' virksomhed, og hvor lang tid vi skal vente, før vi betegner virksomheden som dårlig. Konkurs, insolvens, gentagne inkassosager og betalingsanmærkninger er alle vigtige faktorer i denne del af processen.

"I modellen skal det være meget klart, hvad vi egentlig forsøger at forudsige. Ønsker vi at identificere dem med en fejlfri betalingshistorik, dem der altid betaler 90 dage for sent, eller kun dem der ikke betaler? siger Camilla Frimmel.

Dernæst skal populationen segmenteres, for eksempel i store, mellemstore, små og mikrovirksomheder, vel etablerede eller nystartede virksomheder. En sådan segmentering kan være nyttig, fordi der ofte er store forskelle i de tilgængelige data. Mod forbrugermarkedet kan det være naturligt at segmentere efter parametre som alder, økonomi og betalingshistorik.

"Formålet med at segmentere er at skabe bedre befolkningsgrupper med hensyn til det, vi ønsker at måle, så vi bedre kan bruge og udnytte data. Der kan være store forskelle bag tilsyneladende ens data. Hvis en lille virksomhed har fået en betalingsanmærkning, er det ofte et tegn på, at de har svært ved at betale, mens det for en stor virksomhed som regel skyldes dårlige rutiner," forklarer Frimmel.

En anden grund til at opdele populationen i forskellige grupper og variabler er at sikre stabilitet og et robust scorekort. Risikomodellen, du bruger, skal tage højde for og afklare ændringer over tid for at sikre, at du altid træffer beslutninger på det rette grundlag.

"Der vil altid være naturlige variationer i populationer og dataniveauer. Derfor ønsker vi ikke at tilpasse variabler og statistiske mål for meget til en specifik datasæt, men i stedet definere tydeligt adskilte grupper med tilstrækkeligt mange observationer i hver, primært med hensyn til antallet af 'dårlige'."

Før scorekortet tages i brug, skal det valideres og afstemmes med virksomhedens kreditproces.

"Vi spørger simpelthen: Giver dette mening? Virker det rimeligt i forhold til, hvad vi ønsker at opnå?" siger Camilla Frimmel.

Hun opsummerer følgende forudsætninger for at kunne opbygge et effektivt og pålideligt scorekort:

• Data: Dette bør være åbenlyst, men det er umuligt at opbygge et scorekort uden at have et datasæt i bunden.
• Datakvalitet: Du skal være sikker på, at de data, du bruger til at opbygge scoringsmodellen, er korrekte og af høj kvalitet.
• Mængde: Du skal have tilstrækkelige mængder information for at segmentere hele populationen og foretage kvalificerede observationer.
• Kompetence: Dem, der opbygger scorekortet, skal have evnen til at forstå, hvor data kommer fra, hvad de betyder, og hvordan de skal bruges for at supplere interne kreditregler og -processer.
• Teknologi: Et effektivt scorekort skal inkludere en automatiseret beregning af kundens kreditværdighed. Dette kræver, at du har den rette teknologi samt viden om, hvor den skal køres, og hvordan den skal implementeres i systemerne.
• Strategi: Scorekortet skal forankres i virksomhedens kreditstrategi med klare retningslinjer for, hvilke beslutninger der skal træffes baseret på scoren.

"Én sidste ting, der er meget, meget vigtig, er en god opfølgning på modellen i eftertiden. Mange bruger et scorekort, uden at de ved, hvad forskellen mellem prognose og resultat er, om scoringsmodellen faktisk fungerer som ønsket, eller om de trufne beslutninger bliver som planlagt," siger Frimmel.

Der findes en række forskellige rapporter og statistikker, du skal holde øje med, og disse skal være på plads med det samme.

"Mange negligerer dette og tænker ikke på rapportering og opfølgning på scorekortet, når de starter. Men dette er ting, du skal gøre korrekt fra starten og tænke på hele vejen," påpeger Frimmel.

"Der er mange steder, hvor du kan begå fejl," konkluderer hun afslutningsvis.