Het goedkeuringsproces voor leningen vereenvoudigen

Context en doelstellingen

Een bedrijf dat actief is in de B2B-kredietsector wilde een deel van zijn kredietbeslissingsproces verfijnen en automatiseren.

De evaluatie door een speciaal team van analisten was lang en tijdrovend: het kon tot 8 uur per geval duren. Prioritering en automatisering van de financiële eisen werden urgent vanwege het groeiende aantal leningaanvragen.

De klant wilde vóór de analyse gevallen uitsluiten waarvan de kans groot was dat ze geweigerd zouden worden, gevallen accepteren waarvan de kans groot was dat ze geaccepteerd zouden worden en meer inzicht krijgen in de belangrijkste factoren die de goedkeuring van een lening bepalen.

Met dit doel voor ogen wilde Agilytic de werkdruk van de interne teams verminderen door het goedkeurings- en afkeuringsproces voor leningen te vereenvoudigen.

Benadering

Op basis van onze uitgebreide ervaring in de banksector zochten we naar manieren om de doelstelling te bereiken en meer waarde te leveren door sectorale/ecosysteemindicatoren te creëren.

Door bedrijven in te delen volgens een van de 27 subsectoren van Europa, bepaalden we voor elk van de subsectoren de indicatoren die verband hielden met de financiële gezondheid (bijv. faillissementsrisico) van het bedrijf (specifieke benadering). Solvabiliteits- en afschrijvingsratio's zijn bijvoorbeeld relevant voor kapitaalintensieve bedrijven, terwijl liquiditeits- en voorraadratio's relevanter zijn voor retailers. Vervolgens kunnen we de bedrijven die al door de klant zijn gefinancierd en de nieuwe aanvragen positioneren.

In termen van indicatoren gebruikten we balanswaarden om de algemeenheid van onze bevindingen te garanderen, zoals:

• Solvabiliteit

• Schuldratio korte/lange termijn

• Verhouding handelsvorderingen

• Kasstroom na belastingen

• Liquiditeit

• Kasstroom en ingehouden winst

• Voorraadomzet

• De kloof tussen de betalingstermijnen van klanten en leveranciers

Het voordeel van deze aanpak is dat de analyse rijker is en dat de tekortkomingen van bepaalde bedrijven nauwkeuriger kunnen worden geïdentificeerd. De aanpak kan ook worden geautomatiseerd en relevante benchmarks opleveren om het sectorale inzicht van de klant te verbeteren.

We verdeelden het project in drie fasen om relevante indicatoren per subsector te selecteren.

In de eerste fase hebben we de belangrijkste variabelen geïdentificeerd die de goedkeuring van een lening bepalen (solvabiliteit, marge, omzet, quick ratio, etc.).

In de tweede fase was onze analyse gebaseerd op een representatieve steekproef van historische leningaanvragen van de klant, zowel geaccepteerde als afgewezen. We identificeerden de belangrijkste variabelen die de financieringsbeslissing bepalen (bijv. boekhoudkundige variabelen, sector, leeftijd) en definieerden "aanvaard"-drempels waarboven/waarbeneden financiering gunstig is.

Tot slot hebben we een beoordelingsmodel gemaakt dat nieuwe leningaanvragen een score van 0 tot 100% geeft. Elke rating geeft een uitleg zodat interne teams de redenering achter de score kunnen interpreteren. Het ratingmodel leidt tot een automatische goed- of afkeuring van de zaak of vlaggen voor verder onderzoek.

Resultaten

In minder dan twee weken leverden we de volgende resultaten:

• Nauwkeurigere leenbeslissingen: het model verlaagde het risico op wanbetalingen aanzienlijk terwijl het aantal leningen toenam.

• Verbeterde productiviteit van het team, waardoor de toegewezen tijd per uitleenaanvraag werd teruggebracht van 8 uur naar 4 uur, een reductie van 50%.

• Veiligere ROI voor de geldschieters van de financiële instelling.

• Nieuwe medewerkers kunnen eenvoudiger aan de slag dankzij een gemeenschappelijke set regels.

Het geautomatiseerde aanvraag- en beoordelingssysteem voor leningen hielp onze klant tijd te besparen en het kwalificatie- en onboardingproces van hun eigen klanten te verbeteren.