Alles over het scoremodel achter onze kredietscores | Creditsafe
Scoremodel

Alles over het scoremodel achter onze kredietscores

Hoe wordt de Creditsafe kredietscore berekend? Ontdek het in deze blog!

6 Min

Jaarlijks worden honderden miljoenen zakelijke beslissingen gebaseerd op data-inzichten van Creditsafe. Onze kredietscores en -limieten worden gebruikt door bedrijven van alle groottes in verschillende branches om snelle en geïnformeerde beslissingen te nemen, workflows te automatiseren en strategieën te bepalen.

We zijn er trots op dat we ‘s werelds meest gebruikte kredietinformatieleverancier zijn en maken het onze hoogste prioriteit om accurate gegevens en zeer voorspellende scores te leveren aan onze klanten over de hele wereld. Als gevolg daarvan investeren we miljoenen euro’s in het voortdurend verbeteren en monitoren van de scoremodellen in de hele Creditsafe Groep.  
 
Maar hoe berekenen wij onze scores precies? Welke modellen en statistieken gaan hieraan vooraf? In deze blog delen wij graag meer informatie over onze scoremodellen, waarmee wij nauwkeurig betalingsrisico’s en bedrijfsfaillissementen in elke regio kunnen voorspellen.

Chapter 1

Wat is een scoremodel?

Scoremodellen zijn wiskundige modellen waarbij variabelen op verschillende manieren worden gewogen en samengevoegd in een score. Deze score is in het geval van Creditsafe de kredietscore. Op de score die voortkomt uit het scoremodel kunnen bedrijven hun zakelijke beslissingen, adviezen of conclusies baseren.

De scoremodellen die Creditsafe gebruikt om onze kredietscores te berekenen zijn een reeks van zeer voorspellende algoritmen die zijn gecreëerd door ons eigen toonaangevende analytische team. De kredietscores die voortkomen uit onze scoremodellen zijn te vinden in elk van onze kredietrapporten. Met onze scoremodellen berekenen wij de kans dat een bedrijf binnen 12 maanden failliet gaat of insolvabel wordt. Elk land binnen de Creditsafe groep heeft zijn eigen persoonlijke scoremodel die de lokale kenmerken en trends van de regio nauwkeurig weerspiegelt.

Voor het scoremodel van elk land evalueert ons team alle bedrijven in het land die in de afgelopen 12 maanden failliet zijn gegaan en beoordeelt het de overeenkomsten binnen deze faillissementen. Van de honderden geëvalueerde variabelen worden alleen deze, die statistisch gezien op een faillissement of op stabiliteit wijzen, samengevoegd om het scoremodel op te stellen.

Creditsafe past vervolgens het scoremodel toe op de huidige bedrijfspopulatie van dat land en beoordeelt elk bedrijf voortdurend zodra er veranderingen optreden in hun situatie. Voor elk bedrijf bepaalt het scoremodel de kans op falen en berekent een score tussen 1 en 100, of een internationale score van A tot en met D. 

Hoewel het natuurlijk onmogelijk is om in de toekomst te kijken, zijn we er trots op dat de Creditsafe scoremodellen tot de meest voorspellende scoremodellen behoren in de branche. Met onze scoremodellen kunnen wij tot 70% van de faillissementen in de komende 12 maanden voorspellen.

Vraag gratis de kredietscore van een bedrijf op

Vul een bedrijfsnaam in en klik op Zoeken.



Chapter 1

Het ontwikkelingsproces achter het scoremodel

Het doel van het Creditsafe scoremodel is het nauwkeurig voorspellen van het gedrag van bedrijven, in termen van hun "goede" / "slechte" prestaties in de komende 12 maanden. Dit doet het scoremodel aan de hand van een reeks kenmerken die duidelijk aangeven waarom een bedrijf een hoog of laag risico vormt.

Bedrijven zijn er in alle soorten en maten, van uw lokale koffiehuis tot een supermarktgigant. Het is natuurlijk logisch dat bedrijven van verschillende soorten en groottes andere kenmerken zullen vertonen als ze in moeilijkheden komen of als ze een grote kans hebben om failliet te gaan.

De definitie van een "goed" of "slecht" bedrijf in statistische termen varieert daarom per regio, grootte, en sector waarin het bedrijf actief is. Daarnaast onderscheiden wij verschillende stappen binnen het faillissementsproces van een bedrijf op basis van onze data. Vanwege de verschillende juridische definities en terminologie per regio varieert daarnaast de definitie van “goed” en “slecht” in elk land.

Om het onderscheidend vermogen van het scoremodel te vergroten, past ons analytische team daarom nauwkeurige segmentatie toe. Met de segmentatie verdelen wij bedrijven op in subgroepen gebaseerd op onder andere grootte en branche.  Wanneer zij individueel en gecombineerd gemodelleerd worden, leveren zij een effectievere risicorangschikking op dan het geval zou zijn als we een enkel scoremodel toepassen op een gehele regio. 

De belangrijkste basis voor de segmentatie is de omvang van de onderneming op basis van de jaarcijfers. Voor ondernemingen zonder jaarcijfers zijn andere soorten scoremodellen op basis van rechtsvormen en andere criteria opgesteld.

Chapter 1

De kans op falen (Probability of Default) achter elke score

De kans op falen (PoD) is de verwachte kans dat een bedrijf in de komende 12 maanden failliet gaat, uitgedrukt in percentielen. Het vertelt u precies hoe stabiel een bedrijf is en, nog belangrijker, het bijbehorende zakelijke risico dat u loopt. We berekenen de PoD voor elk bedrijf afzonderlijk op basis van hun combinatie van kenmerken aan de hand van onze scoremodellen en drukken deze vervolgens uit in een eenvoudige kredietscore die loopt van 1 (het hoogste risico) tot 100 (het laagste risico). 

Is de kredietscore lager dan 37? Dan adviseren wij om extra voorzichtig te zijn met het leveren op krediet, of onder strenge betalingsvoorwaarden. 

Onze kredietscore is, anders dan de kans op falen, geen percentielscore waarbij de bedrijfsdatabasepopulatie in bepaalde posities wordt gedwongen voor een optimale verdeling. De score wordt echter wel nog steeds berekend aan de hand van de PoD, en aan elke score is een reeks PoD’s gekoppeld.

Chapter 1

Hoe wordt het scoremodel ontwikkeld?

Na de segmentatie van ondernemingen wordt het scoremodel ontwikkeld aan de hand van de volgende 5 punten.

1. De karakteranalyse

Bij de karakteranalyse analyseren we het gedrag van verschillende bedrijven in het verleden die tot een faillissement hebben geleid. Hierbij worden alle variabelen nauwkeurig geklasseerd, zodat alle scorebanden ten minste 30 standaarden bevatten. 

Hiernaast worden alle variabelen ook grof geklasseerd, om robuuste getallen te garanderen en foutieve trends af te vlakken. Variabelen die niet op een statistisch verantwoorde manier bijdragen aan de accuraatheid van het model, worden verwijderd.

Alle beschikbare bedrijfskenmerken komen in aanmerking voor de modellering. Door fijne classificatie is elke variabele initieel opgesplitst in groepen van minimaal 30 gefaalde ondernemingen.

De grove intervalindeling wordt gebruikt om de fijn geklasseerde intervallen te groeperen. Zo zorgen we ervoor dat binnen elk te modelleren interval voldoende waarnemingen worden gebruikt en dat eventuele foutieve trends in het risicoprofiel of uitschieters van de variabele worden afgevlakt.

Variabelen zijn in eerste instantie grof geclassificeerd op basis van de informatiewaarde. Alle variabelen met een informatiewaarde voor de fijne klasse van minder dan 0,05 worden uitgesloten. Ze worden ook uitgesloten als ze een trend vertonen die zakelijk gezien niet logisch is of als de algemene trend niet monotoon is. 

 

2. Het logaritmische regressiemodel

Creditsafe gebruikt als voorkeursmethode om het scoremodel te ontwikkelen stapsgewijze logaritmische regressie. Dit heeft het voordeel dat het een voorspelde waarschijnlijkheid van goed oplevert; waardoor het mogelijk wordt om een nauwkeurige score-naar-slecht-voorspelling te maken.

Bij het opstellen van het logaritmische regressiemodel maken we gebruik van de zogenaamde Chi-kwadraattoets en Gini-index. Dit zijn twee termen uit de statistiek. 

De Chi-kwadraat is in de statistiek een toets om na te gaan of twee of meer verdelingen (populaties) van elkaar verschillen. De Gini-index is een statistische maatstaf van de ongelijkheid in een verdeling. De Gini-index wordt veel gebruikt in de economie om de ongelijkheid in inkomen of vermogen aan te geven, maar is geschikt om elke vorm van ongelijkmatige verspreiding te meten. 

We gebruiken de Gini-index om variabelen te identificeren die niet bijdragen aan het significantieniveau en te verwijderen. Daarover hieronder meer.

 

3. Het waarschijnlijkheidsniveau

De variabele met de hoogste significante Chi-kwadraatwaarde wordt toegevoegd aan het model. Nadat elke variabele is toegevoegd, wordt elke variabele met een niet-significante Chi-kwadraatwaarde verwijderd.  Dit proces gaat een voor een door totdat er geen nieuwe variabelen meer zijn die het bestaande model significant verbeteren.

De waarschijnlijkheid > Chi-kwadraatwaarde meet de waarschijnlijkheid dat de schatting van de variabele parameter op toeval berust en niet actief waarde toevoegt aan het model. Hoe lager de waarde, hoe meer betekenis deze heeft in een voorspellend model.

 

4. Het significantieniveau

Het significantieniveau is het punt waarop een variabele significant genoeg wordt geacht om in het model te worden opgenomen. Het houdt rechtstreeks verband met de waarschijnlijkheid > Chi-kwadraat-waarde.  

Het significantieniveau waarop de variabelen in het model worden opgenomen, is vastgesteld op 5%. Dat houdt in dat een variabele met een Significantie > Chi-kwadraatwaarde > 0,05 niet in het model wordt opgenomen. Dit betekent in feite dat alle variabelen die minder dan 0.05% bijdragen aan de uiteindelijke score, worden verwijderd. 

Daarnaast wordt extra gecontroleerd dat alle toegekende punten in overeenstemming zijn met de bijbehorende "goede" / "slechte" kansen. Hiernaast worden alle variabelen die tegen hun trend scoren of resulteren in een vermindering van de Gini-index, verwijderd.

 

5. Uitlijningsfouten corrigeren en controleren op logica

Creditsafe gebruikt uitlijningsfoutenrapporten voor variabelen in het model om ervoor te zorgen dat deze correct zijn uitgelijnd.

Zoals we bij de karakteranalyse hebben uitgelegd, moet zelfs als een variabele voorspellend vermogen heeft, nog worden gecontroleerd of het verband met de uitkomst daadwerkelijk logisch is en aan de verwachtingen voldoet. 

De eerste controle van de logica zal daarom worden uitgevoerd tijdens de univariate analyse: een analyse van de uitkomsten van een enkele kansvariabele. Hierbij worden de variabelen die vanuit bedrijfsperspectief niet geschikt zijn verwijderd.

Ook moet een extra algemene controle worden uitgevoerd van het model dat uit de regressie is voortgekomen. Als de analyse juist is uitgevoerd, moet het model voorspellend zijn en wiskundig correct. Daarnaast moet de geldigheid vanuit bedrijfseconomisch oogpunt ook worden gecontroleerd. 

Het is belangrijk om te controleren of de voorlopige schattingen die we aan de kenmerkende eigenschappen gegeven hebben, consistent zijn met de ratio voor ‘slecht’. Dit moet gelden voor alle voor een bepaald kenmerk gedefinieerde eigenschappen. Daarbij schenken we extra aandacht aan de bètaschattingen.

Chapter 1

Het uiteindelijke scoremodel

Nadat het uiteindelijke scoremodel live is gegaan wordt deze continu gevalideerd door middel van tijdssteekproeven en een jaarlijke controle op de juistheid van het scoremodel.

Onze scoremodellen geven een score tussen 1 en 100, respectievelijk het hoogste en het laagste risico. Deze score is gebaseerd op de kans op falen (probability of default, afgekort tot PoD) en is een eenvoudige representatieve manier voor klanten om kredietaanvragen te accepteren of af te wijzen. Naarmate wij nieuwe scoremodellen lanceren wordt onze kredietscore vergezeld van een PoD, die voor elk bedrijf wordt geproduceerd op basis van de unieke kenmerken.

De output van de logistische regressie in deze PoD’s transformeren wij vervolgens tot een score door gebruik te maken van goede/slechte kansen-principes.

De uiteindelijke Creditsafe kredietscore maakt onderdeel uit van onze Kredietrapporten en kan in 70% van de gevallen een faillissement tot 12 maanden van tevoren zien aankomen. Dit is een van de hoogste voorspellende scores in de branche. De Creditsafe kredietscore is daarom een onmisbare tool voor bedrijven van elke grootte om veilig zaken te doen. 

Whitepapers

De laatste best practices in credit, risk en data management.

B2B e-commerce gamechanger

Mis geen omzet meer in het weekend en in de avonduren.

Is uw bedrijf financieel gezond?

5 kengetallen die impact hebben op uw kredietwaardigheid.

Gerelateerde blogartikelen

De laatste trends in credit, risk en data management.