Öka lönsamheten med Business Intelligence

Business intelligence (BI) är ett begrepp som numera används allt flitigare. Men hur intelligenta är egentligen alla insatser som görs med stora data? Och än mer intressant – agerar vi på den information vi får ut?

Är din Business Intelligence verkligen intelligent?

Vanessa Morittu är ansvarig för affärsområdet Debt Purchase inom Sergel. Utöver detta är hon även en del av Business Intelligence-teamet som bland annat utvecklar både beslutsstöd och affärsprocesser för kunder såväl som internt.

Hon menar att framgångsrikt arbete med BI till stor del handlar om att arbeta med prediktiva modeller – och hur man sedan agerar på den information som tas fram.

– Olika beslutsstöd kan alla jobba med; du sätter olika regler för hur ett ärende ska hanteras. Till exempel: Fordran är över x antal kronor – då ska du alltid skicka det till myndighet för indrivning och så vidare. Men det är inte så mycket intelligens med i den typen av process, mer än att man har satt olika regler.

Styrkan i mängden data

I arbetet med business intelligence gäller det att ha tillgång till stora mängder data – helst data som samlats över lång tid.

– Det är en förutsättning för att bygga vassa, träffsäkra modeller.

Vanessa betonar att informationen man hanterar inte bearbetas på individnivå. Man ser istället till grupper av individer för att hitta olika mönster och samband och på så vis kunna generalisera modellen. Det primära är att hitta meningsfulla faktorer som verkligen spelar in i gäldenärernas beteende ifråga om betalning.

Vad är sannolikheten att din kund betalar?

– Vi har ju inte bara data om betalningsbeteende för inkassoprocessen, utan även betalningshistorik hos kunden före inkasso. På det här sättet kan man se generella betalningsmönster över hela kravprocessen: En viss ålderskategori, exempelvis, betalar aldrig, eller betalar sent och ofta är det i kombination med olika andra faktorer som man kan börja se samband. Det är då det börjar handla om intelligens.

Vilken åtgärd är mest lönsam?

När man bygger sina prediktiva modeller gäller det att hitta prediktorer för hur gäldenärer kommer att betala sina skulder. Man urskiljer ett fåtal sådana variabler som, då man även ser till hur de samverkar, blir ännu fler. Beslutsstödet som Vanessas team utvecklar innehåller en mängd olika prediktorer – viktade olika, beroende på hur starkt de korrelerar med varandra och som enskilda variabler.

Bedömningen och analysen av dessa kan ligga till grund för att svara på:

  • Sannolikheten för att någon betalar och vad sannolikheten är att någon med en viss typ av skuld betalar.
  • Hur mycket betalar man, när man väl betalar?
  • EMV: Expected Monetary Value – vilken är den mest lönsammaste åtgärden? Hur vidtar man rätt åtgärd vid rätt tidpunkt och på ett effektivt sätt.

Möjligheter, inte risk

Vanessa Morittu avslutar:

– EMV-modellen i sig är unik. Tittar vi på våra största konkurrenter ser vi att alla har jobbat med data på olika sätt – man jobbar med scoring och tittar på sannolikhet och risk. Här gör vi istället möjlighetsbedömningar och agerar på våra underliggande data. Jobbar du bara med prediktion utan att agera på den kommer du inte att se någon skillnad; då har du bara kunskap. Det är skillnaden mellan att vara proaktiv och reaktiv.