3 mrt 2021
|
Economie
“Learn from the past if you want to predict the future”. Een uitspraak van Confucius, een Chinese filosoof ergens rond 500 voor Christus. En nog steeds van toepassing, zeker als het gaat om het thema van deze uitgave: het informeren en helpen van de zakelijke markt met de financiële gezondheid van hun bedrijf.
Uit recent gepubliceerde cijfers van het CBS blijkt dat de Nederlandse economie in 2020 met 3,8% gekrompen is. De grootste krimp ooit gemeten en daarmee dus ook groter dan die in 2009 met 3,7%, het eerste jaar na de kredietcrisis. Van die crisis hebben we veel geleerd als het gaat over stijgende betalings- en frauderisico’s in het zakelijke handelsverkeer en de handel met consumenten. Een bedrijfshuishouden in nood maakt creative en soms vreemde sprongen, zeker als het in crisistijd moeilijker wordt om funding/financiering te krijgen om je bedrijf levensvatbaar te houden. In 2009 piekte het aantal faillissementen al op 3.480, met daarna een na-ijleffect tot 2013 met een nieuw record van 4.190 failliete bedrijven. In de jaren daarna daalde het aantal faillissementen, met zelfs een laagterecord van 2.703 bedrijven in COVID-19-jaar 2020. “Zit er een nieuwe golf aan nieuwe faillissementen aan te komen?” is een vraag die vaak wordt gesteld aan credit managers en analisten werkzaam in ons vakgebied. Het antwoord is in veel gevallen dat het aantal faillissementen waarschijnlijk in de tweede helft van dit jaar gaat toenemen.
Hoe deze golf aan faillissementen tijdig te onderscheiden en tijdig maatregelen te treffen? Dat begint bij een meer data-gedreven benadering in het verkrijgen van een ideaal klantbeeld. Welke interne data is beschikbaar? Welke externe data is beschikbaar? Zijn er mogelijkheden om risicomodellen te ontwikkelen en de voorspellende scores te gebruiken in de hele kredietcyclus van de klant: bij aanvraag/on-boarding, klantbeheer, achterstandsbeheer en bijzonder beheer? Kan ik Machine Learning inzetten om betere modellen te krijgen? Hoe zorg ik ervoor dat de output van deze modellen ook te controleren is, bijvoorbeeld op “Fairness”?
Wat is de betalingsmoraliteit van de eigenaar/bestuurder? Zijn er nieuwe databronnen beschikbaar? Niet-traditionele data, of macro-economische databronnen? Kan ik gebruik maken van innovatieve databronnen zoals via Open Banking/PSD2? Het goed segmenteren op basis van data en het vervolgens differentiëren in de manier waarop je met (risicovolle) klanten omgaat is in “normale” tijden al heel erg belangrijk. En eigenlijk is de vraag: Hoe kan ik ervoor zorgen dat ik in de positie van schuldeiser blijf en niet afglij naar de positie van schuldenaar van morgen?
Mijn vader was vroeger bakker in de Peel in Zuidoost-Brabant en toen al was risicomanagement (lees: het achteraf laten betalen van de boodschappen) gebaseerd op het principe van “ken je klant”. Als een boer een tegenvaller had, dan werd dit snel rondgepraat en andersom ook. Het goed kijken en luisteren naar de markt gebeurde toen al op kleine schaal. Nu nog steeds eigenlijk, echter met gebruikmaking van veel meer databronnen via digitale en innovatie kanalen.
Ik wens iedereen veel gezondheid en wijsheid!