Laattijdige betalingen
Van theorie naar praktijk
Wanbetaling is een probleem waar elke onderneming vroeg of laat mee geconfronteerd wordt. Zowel bij B2B als B2C transacties is het belangrijk de risico’s op voorhand in te schatten. AI segmenteert (potentiële) klanten in risicogroepen. Op basis van deze risicoschatting beslis je om een order al dan niet te accepteren of specifieke betalingsvoorwaarden te hanteren, zoals bijvoorbeeld voorafbetaling. Dit resulteert in minder laattijdige betalingen, minder geld dat “vastzit" en minder afboekingen wegens niet betaling.
Toepassingen
De onderliggende factoren van wanbetalingen zijn veelzijdig, zoals eerdere laattijdige betalingen of het nog te betalen bedrag. In overleg met de financiële verantwoordelijke binnen jouw onderneming kun je deze factoren bepalen en verwerken in een AI-gedreven analyse. Een dergelijke analyse geeft je dan een overzicht van welke facturen een hoog risico lopen om niet betaald te worden. Op basis van dit overzicht kun je dan bijvoorbeeld klanten prioriteren. Grote financiële instituten benutten deze AI-gedreven analyses al, hoewel hier vaak ethische vraagstukken bij komen kijken.
Vereisten
Data
- Kenmerken van gekende wanbetalers en niet-wanbetalers
- ~Aankoopgeschiedenis, betaalgeschiedenis, klantenkenmerken.
- ~Elke klant in de training dataset (eventueel op verschillende momenten in de tijd) gelabeld als wanbetaler of niet-wanbetaler.
Hardware
- Standaard dataopslag en -verwerking
Algoritme
- Classificatie-algoritme (voor binaire voorspellingen) of regressie-algoritme (voor voorspellen van kans op wanbetaling voor factuur X of van klant X).
- ~Lineaire regressie of decision table - Voor transparante beslissingen op data met weinig karakteristieken.
- ~Support vector machine – Voor beslissingen op basis van data met veel karakteristieken.
- ~Neuraal netwerk – Voor beslissingen die getraind kunnen worden op een grote training set.
- ~Recurrent neuraal netwerk – Wanneer we verwachten dat wanbetaling gradueel optreedt als onderdeel van een patroon over een langere tijdsperiode.
Aandachtspunten
- Bespreek mogelijke ethische bezwaren. Er zijn mogelijk een aantal ethische bezwaren voor deze toepassing, afhankelijk van het beoogd gebruik. Gebruik van gevoelige data voor dit type voorspellingen is hoe dan ook uitgesloten.
- Maak impliciete informatie in je dataset expliciet beschikbaar. Zoals in veel ML toepassingen kan ook hier feature engineering een belangrijke toegevoegde waarde bieden. Bespreek met domeinexperts wat volgens hen iemand tot wanbetaler kan maken en zoek uit of je dit kenmerk expliciet in je dataset kan opnemen.
- Standaardprobleem. Dit is een standaard ML toepassing in aanpak en uitvoering. Je data is georganiseerd in tabelformat waarbij de kolommen karakteristieken voorstellen en elke rij een aparte case voorstelt (typisch een klant of een factuur). Je hebt 1 voorspelling (label dan wel kans) nodig voor elk van deze cases.
- ~In een meer complexe aanpak kan er gezocht worden naar patronen in een reeks van betalingen. Dit vergt iets meer inspanningen qua data transformatie om de data om te vormen tot de nodige event streams die dan geïntegreerd wordt met de meer statische data zoals klantenkenmerken. Potentiële patronen over tijd kunnen op deze manier uitgebuit worden. De simpele aanpak heeft desondanks steeds de voorkeur als baseline oplossing.
Stappenplan
- 1Identificeer gegevens die volgens domein experten nodig zijn om laattijdige betalingen te voorspellen.
- Verzamel dataset met zowel laattijdige als tijdige betalers uit het verleden, waarvoor de bovenstaande gegevens gekend zijn.
- Implementeer indien nodig feature engineering om impliciete gegevens expliciet beschikbaar te maken voor een algoritme
- Train een eenvoudig ML algoritme
- ~Maak een train/test split in de dataset
- ~Train een model op de trainingsdata
- ~Finetune de parameters van het model
- ~Beoordeel de performantie op de test set
- ~Keur huidig model goed of schakel over op complexer model of verbeter de feature engineering
- Bouw een operationele data pipeline
- Train en ontplooi een operationeel ML model
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
