Auteur: Wouter van den Berg, Business consultant Hypotheken bij Everest
Nederlanders hebben een voorbeeldig betaalgedrag als het om hypotheken gaat. Een verstrekker van hypothecair krediet is daarom vaak de laatste partij die merkt dat een consument betalingsproblemen heeft.
Dat is jammer, want juist de hypothecair geldverstrekker heeft een groot belang, omdat de hypotheekschuld de grootste verplichting is die een consument heeft.
Geldverstrekkers weten echter maar weinig over de klant. Alleen bij het aanvragen van een hypotheek wordt een handvol gegevens gevraagd. Zaak dus om weer in contact te komen met de klant. Maar welke klant heeft hierbij de hoogste prioriteit? Daarvoor moet je eigenlijk weten wie het hoogste risico op geldproblemen loopt.
Big Data
Big Data belooft hierbij gouden bergen. Er is zoveel informatie beschikbaar over mensen, je hoeft het alleen maar te koppelen en je kunt zo zien wie zijn baan kwijt is. Voorbeelden te over van verzekeraars die via facebook ontdekken dat een claim onterecht is. Maar er is nogal een verschil tussen het bekijken van een facebookprofiel omdat er een vermoeden is van fraude en het binnenhalen van grote gegevensbestanden om gedrag van een consument te voorspellen.
Geldverstrekkers tobben hier ook mee. Het resultaat van een Big Data-analyse staat niet vast. Er worden ongetwijfeld verbanden gevonden, maar kloppen die wel? Onderzoekers van Fitch vonden in 2009 bijvoorbeeld een verband tussen de relatieve hoogte van de verstrekking en achterstanden. Een prachtig verband, maar eigenlijk niet bruikbaar omdat een verband tussen een hoge LTV en teruggang in inkomen niet evident is. Leidt Big Data ons op meer dwaalsporen?
Big Data lijkt een mogelijke flop. Het resultaat is onzeker en misschien wek je achterdocht bij de klant in plaats van vertrouwen. Maar juist de technieken die voortkomen uit Big Data bieden ook oplossingen voor deze problemen. Bijvoorbeeld het gebruik van statistische verbanden. Zo is bekend dat werkloosheid een grote risicofactor is voor betaalproblemen. Maar welke klanten lopen het meeste risico op werkloosheid?
In gegevensverzamelingen van derden kunnen statistische verbanden worden ontdekt. Deze verbanden kunnen worden gerelateerd aan gegevens die de geldverstrekker wél kent, zoals de branche waar een persoon enkele jaren terug werkzaam was. En door gegevens uit bronnen te combineren wordt de voorspellende kracht van dergelijke modellen groter. Zo wordt waarde toegevoegd aan gegevens die niet compleet en niet actueel zijn, zonder dat de geldverstrekker gegevens hoeft te koppelen.
Niets doen geen optie
Techniek alleen kan echter niet de oplossing bieden. Het is ook tijd voor een discussie hoe je een klant benadert die voldoet aan een bepaald profiel. En hoe wenselijk het is om profielen samen te stellen op basis van allerlei gegevens, om nog maar te zwijgen over de bereidheid van derden om die gegevens te verstrekken.
Een risicoprofiel geeft nooit honderd procent zekerheid. Betekent dit dat je klanten met een licht verhoogd risico misschien uitsluit van marketingacties voor nieuwe kredieten? Of wijs je ze met meer nadruk op een (gratis) online huishoudboekje? Eén ding staat vast: niks doen is geen optie.
Elke werkdag het belangrijkste financiële nieuws in uw mailbox? Meld u gratis aan voor InFinance Daily.
