Slik bygger du et handlekraftig scorekort

I all enkelhet er et scorekort en sannsynlighetsmodell som skal fortelle deg hvor sannsynlig det er at kunden du vurderer å gi kreditt til vil ha evnen til å gjøre opp for seg.

– Våre scorekort tar utgangspunkt i det vi kaller PD, eller “Probability of Default”, altså hvor stor sannsynlighet det er for at et selskap vil gå konkurs innen en gitt periode, vanligvis i løpet av 12 måneder. Deretter oversetter vi denne PD’en til en score mellom 1 og 100, der de med størst sannsynlighet for å gå konkurs for lavest score, og vice versa, sier Camilla Frimmel, Chief Analytics Officer i Creditsafe Group.

Jo større risikoen er for at et selskap vil gå konkurs, jo lavere score vil altså selskapet få – og resultatet presenteres i et format som gjør det enkelt å få oversikten du trenger for å ta raske og riktige kredittbeslutninger.

Frimmel sier det ikke er noe i veien for at selskaper skal kunne utvikle gode scorekort internt i organisasjonen, men understreker at det er en rekke forutsetninger for å lykkes – og flere utfordringer som må løses.

– Den desidert største utfordringen er tilgang på informasjon, og ulike dimensjoner av data. Har du historiske data på plass? Mange kaster eller aggreger historiske data, men dette kan forringe kvaliteten på scorekortet. I Creditsafe har vi gjennom mange år bygget et miljø for analyse, med en full audit trail som blant annet inkluderer datostempling og endringslogg, forteller hun.

– En annen utfordring mange møter på er å tilegne seg et tilstrekkelig volum med relevante data. Når vi bygger scoringsmodeller ser vi på en totalpopulasjon, som vi deretter bryter ned i mindre segmenter. For å kunne gjøre en god analyse er vi derfor avhengige av å ha nok kandidater til å foreta gode observasjoner, fortsetter Creditsafes sjefsanalytiker. 

– Det er ikke nødvendigvis størrelsen på kundeporteføljen som er avgjørende her, men heller det at vi må ha en viss andel, og et stort nok antall, dårlige kandidater for å få en håndfast statistisk relevans. Dette er ofte vanskeligere for selskaper som retter seg mot foretak enn for de som har privatpersoner som sin kundegruppe, utdyper hun.

Et annet hinder mange snubler i er mangel på kompetanse og kunnskap om hvordan man skal tolke og bruke dataene.

– Det absolutt viktigste du må forstå er hvor dataene kommer fra, hva de betyr, hvordan de samsvarer med interne kredittprosesser og hvordan kredittprosessen fungerer i ditt marked, din bransje og ditt land, mener Frimmel.

– Denne kompetansen er helt avgjørende dersom du skal bygge en scoringsmodell som kan hjelpe deg med å ta gode kredittbeslutninger. Du kan ikke bare putte data inn i et skjema, trykke på en knapp og få et scorekort.

Når Creditsafe bygger et scorekort – enten det er en generisk scorekort eller skreddersydd for en av våre kunder – går vi alltid tilbake i tid og identifiserer en utviklingspopulasjon, som vi deretter segmenterer i underpopulasjoner. 

– Det kanskje absolutt viktigste når du skal bygge et scorekort, og noe vi bruker veldig mye tid på, er “population design”. Hvilke foretak eller personer skal være med i modellen? Du kan ikke ha med alle. For eksempel kan du ikke ha med selskaper som allerede er konkurs, eller selskaper med ti år gamle årsregnskap. Du må designe et relevant populasjonsutvalg for å sikre at modellen bygges på riktig grunnlag, understreker Frimmel.

– Mislykkes du med ditt “population design”, mislykkes du med hele scorekortet. Det kan være vanskelig før det er gått noen måneder, og da må du gå tilbake til start og begynne på nytt.

Når populasjonen er definert må vi avgjøre hva som definerer et “dårlig” selskap, og hvor lang tid vi skal vente før vi definerer selskapet som dårlig. Konkurs, insolvens, gjentatte inkassosaker og betalingsanmerkninger er alle viktige faktorer i denne delen av prosessen.

– I modellen må det være veldig tydelig hva vi egentlig prøver å forutse. Ønsker vi å identifisere de som har en plettfri betalingshistorikk, de som alltid betaler 90 dager for sent eller kun de som ikke betaler for seg? sier Frimmel.

Videre må populasjonen segmenteres, eksempelvis i store, mellomstore, små og mikroforetak, godt etablerte eller nystartede foretak. En slik segmentering kan være nyttig fordi det ofte er store ulikheter i hvilke data som er tilgjengelige. Mot forbrukermarkedet kan det være naturlig å segmentere i henhold til parametre som alder, økonomi og betalingshistorikk.

– Formålet med å segmentere er å skape bedre befolkningsgrupper med hensyn til det vi ønsker å måle, slik at vi kan bruke og utnytte dataene på en bedre måte. Det kan ligge store forskjeller bak tilsynelatende like data. Dersom et lite foretak har fått en betalingsanmerkning er dette gjerne et tegn på at de har vanskeligheter med å betale for seg, mens for et stort selskap skyldes det som oftest dårlige rutiner, forklarer Frimmel.

En annen grunn til å dele opp populasjonen i ulike grupperinger og variabler er å sikre stabilitet og et robust scorekort. Risikomodellen du benytter deg av skal ta høyde for og avklare endringer over tid, for å sikre at du alltid tar beslutninger på rett grunnlag.

– Det vil alltid være naturlige variasjoner i populasjoner og datanivåer. Vi ønsker derfor ikke å tilpasse variabler og statistiske mål i for stor grad til et spesifikt datasett, men i stedet definere tydelig adskilte grupper med tilstrekkelig mange observasjoner i hver, og da først og fremst med hensyn til antall “dårlige”.

Før scorekortet tas i bruk må det avstemmes, valideres og samstemmes med selskapets kredittprosess.

– Vi spør enkelt og greit: Gir dette mening? Virker det rimelig ut ifra hva vi ønsker å oppnå? sier Frimmel.

Hun oppsummerer følgende forutsetninger for å kunne bygge et handlekraftig og pålitelig scorekort:

• Data: Denne bør være åpenbar, men det er umulig å bygge et scorekort uten å ha et sett med data i bunnen.

• Datakvalitet: Du må være sikker på at dataene du bruker for å lage scoringsmodellen er korrekte og av høy kvalitet.

• Volum: Du må ha tilstrekkelige mengder informasjon til å segmentere totalpopulasjonen og gjøre kvalifiserte observasjoner.

• Kompetanse: De som bygger scorekortet må ha evnen til å forstå hvor dataene kommer fra, hva de betyr og hvordan de skal benyttes for å komplementere interne kredittregler og -prosesser.

• Teknologi: Et effektivt scorekort må inkludere en automatisert beregning av kundens kredittverdighet. Dette krever at du har den rette teknologien, samt kunnskap om hvor det skal kjøre og hvordan det skal implementeres i systemene.

• Strategi: Scorekortet må forankres i selskapets kredittstrategi, med klare retningslinjer for hvilke beslutninger som skal tas basert på scoren.

– Én siste ting som er veldig, veldig viktig er en god oppfølging av modellen i ettertid. Mange bruker et scorekort uten at de aner hva differansen mellom prognose og utfall er, om scoringsmodellen faktisk fungerer som ønsket eller om beslutningene de tar blir som de har tenkt, sier Frimmel.

Det finnes en rekke forskjellige rapporter og statistikker du må holde styr på, og disse må på plass umiddelbart.

– Mange blåser i det, og tenker ikke på rapportering og oppfølging av scorekortet når de starter opp. Men dette er ting du må gjøre riktig fra starten av, og tenke på hele veien, poengterer Frimmel.

Hun påpeker samtidig at det alltid er en viss risiko i designet og bruken av scorekort, fordi det alltid vil være en forsinkelse knyttet til når tapene kommer. Uten god oversikt kan det raskt komme potensielt kostbare overraskelser.

– En svakhet med modelleringen er at vi antar at fremtiden blir akkurat som fortiden. Dataene vi bygger modellen på er representative for det vi ser i dag, men hva om det kommer lovendringer som påvirker markedet, eller selskapet gjør betydelige endringer i typen kunder de har i sin portefølje? spør hun retorisk.

Det er, av naturlige grunner, ingen vei utenom å bruke historiske data for å bygge scoringsmodeller. Derfor må du kvalitetssikre dataene du bruker kontinuerlig.

– Se for deg at du for tre år siden hadde et produkt kun rike mennesker kjøpte, og at det er denne kundegruppen du har bygget scoringsmodellen din etter. Hvis du i dag har en bredere produktkatalog, og dagens kunder utgjør gjennomsnittet av Norges befolkning, må du forsikre deg om at dataene du bruker fremdeles er relevante, eksemplifiserer Frimmel.

– Det er mange steder du kan tråkke feil, konstaterer hun avslutningsvis.