.svg){kind=logo}
Afhankelijk van hun rechtsvorm zijn veel bedrijven, zoals kleine en middelgrote familiebedrijven en startende ondernemingen, in tegenstelling tot grote bedrijven, wettelijk niet verplicht om hun jaarrekening openbaar te maken. Het is daarom mogelijk dat dit type bedrijven niet volledig worden gedekt door grote ratingbureaus en handelsverzekeraars en dat zij geen kredietscore hebben door een gebrek aan boekhoudkundige cijfers of ‘hard facts’.
Om deze reden hebben bedrijven die zich willen richten op dit type bedrijven (die later misschien wel grotere rekeningen zullen worden), geen andere keuze dan kwalitatieve informatie ('soft facts’) te onderzoeken om de kredietwaardigheid te beoordelen alvorens een beslissing te nemen om zaken te doen.
In dit scenario wordt de kwaliteit van de beschikbare 'soft facts’ gecorreleerd met nauwkeurigere beoordelingen om de kredietlimietbeslissingen te optimaliseren. Dit helpt om kleinere kredietverliezen te beperken, vooral in het geval van startende ondernemingen, aangezien onderzoek hun eerste drie jaar van hun bestaan als de meest kritieke jaren beschouwen alvorens de continuïteit van de onderneming te waarborgen.
De verschillen tussen 'soft’ en 'hard information’ begrijpen
In het kader van zakelijke transacties heeft ‘hard information’ betrekking op de kwantitatieve gegevens die beschikbaar zijn bij de openbaarmaking van financiële overzichten, zoals activa, passiva, eigen aandelen, omzetontwikkeling, winstgevendheid en kasstroom. 'Soft information’ is veel kwalitatiever en verwijst naar immateriële zaken zoals:
- Menselijk kapitaal: eigendoms- en managementstructuur, vaardigheden en reputatie.
- Markt: omvang, ontwikkeling, positie, concurrenten.
- Industrie: groei, toetredingsdrempels, concentratie, schaalvoordelen.
- Bedrijfsstrategie: diversificatie van klanten en leveranciers.
- Betalingsgedrag/karakter van eigenaren en bestuurders.
- Bedrijfscontinuïteit en bestuur, met name in familiebedrijven.
- Sociale netwerkcontacten t.b.v. toegang tot technisch en menselijk kapitaal.
'Soft information’ draagt aanzienlijk bij aan het verbeteren van ratingmodellen en het verkrijgen van meer inzicht in de kans op wanbetaling, het aanvullen van beschikbare 'hard facts’ en het voorspellen van betalingsgedrag, niet alleen door het extrapoleren van 'historische' kwantitatieve gegevens.
Daarom zijn 'soft facts’ een zeer waardevolle bron om vooruit te blikken en kunnen ze worden geïntegreerd in scoringsmodellen om niet alleen startende ondernemingen en MKB zonder openbaarmakingsplicht te beoordelen, maar ook allerlei soorten rechtsvormen in elke fase van hun bedrijfscyclus.
Naast deze 'soft facts’ dragen gegevens uit zakelijke sociale mediabronnen in alle onlinekanalen, zoals zakelijke netwerken (LinkedIn, Xing), microblogs (Twitter), videoplatforms (YouTube) en sociale netwerken (Facebook), als risicofactoren ook een steentje bij aan 'soft facts’. Hoewel het gebruik van sociale media voor kredietbeslissingen aan de consumentenzijde in strijd is met het recht op gelijke en eerlijke kredietmogelijkheden, is er geen beperking voor bedrijven om deze gegevens te evalueren op basis van zakelijke kredietoverwegingen. Om deze reden worden deze gegevens steeds waardevoller voor de beoordeling van zakelijke partners. Het is niet verwonderlijk dat sommige toonaangevende kredietbeoordelingsbureaus sociale media zijn gaan gebruiken als gegevensbron om de voorspellende analyse te verbeteren en bedrijven te helpen een vollediger beeld te krijgen van hun zakenpartners achter de cijfers.
Ondanks het feit dat informatie afkomstig uit sociale media toekomstgericht is, is het gebaseerd op door de gebruiker gegenereerde inhoud en is het subjectief en sterk afhankelijk van de omgeving waarin ze wordt verwerkt. Bovendien kan het gemakkelijk worden gemanipuleerd met valse gegevens. De uitdaging is nu om betrouwbare bronnen te identificeren, gebaseerd op betrouwbare gebruikersauthenticatie, het gebruikersprofiel en de gebruiksgeschiedenis om zo nuttige informatie te verkrijgen.
Volledige SAP integratie met Risicobeheer tool
Ready4 Risk Management van SOA People maakt allerlei ‘soft data’-integratie mogelijk binnen uw eigen geautomatiseerde kredietbeoordeling en beslissingsworkflow proces. De oplossing is een softwarecomponent die volledig geïntegreerd is in het SAP Ready4 Credit Management Suite platform en naadloos integreert met SAP ECC6 en SAP S/4HANA en die draait met uw SAP-HANA database om de prestaties van de gegevensverwerking te optimaliseren.
Met de tool kunt u ‘soft information’ integreren met bijzonder configureerbare scorekaarten, aangezien Ready4 Risk Management zowel 'soft’ als 'hard data’ kan verwerken, wegen en monitoren om gefundeerde kredietscores en kredietlimietaanbevelingen te leveren.
De integratie van Ready4 Risk Management in het Corporate Finance en Accounting proces binnen SAP stelt u ook in staat om continue veranderingen in het betalingsgedrag van uw klanten, omzettrends, uitstaande en inkomende kredietbehoeften te monitoren.
Risk Management kan ook worden gebruikt in combinatie met Credit Information Management om te communiceren met gerenommeerde kredietbureaus zoals Bisnode/D&B, Creditsafe, Creditreform, en CRIF/Skyminder. Dit maakt het mogelijk om direct toegang te krijgen tot meer 'hard facts’, zoals openbare boekhoudkundige verklaringen en kwalitatieve informatie, maar ook tot 'soft facts’ zoals eigendom, directeuren, zakelijke connecties en analyses in de industrie. Met beide softwarecomponenten kunnen bedrijven 'hard’ en 'soft data’ volgen en continu beoordelen, zodat ze vroegtijdig waarschuwingen kunnen geven voor relevante wijzigingen en tijd hebben om te reageren.
De scorekaarten in Risk Management zijn configureerbaar en gestructureerd, en gebaseerd op verschillende attribuutgroepen die 'soft’ of 'hard data’ bevatten, zoals de betalingspools van kredietbeoordelaars, betalingsresultaten, financiële kerncijfers, reputatie van sociale media, zakelijke en professionele knowhow, branche-indicatoren en enquêtes van het verkoopteam.
Risk Management stelt u in staat om allerlei attributen te creëren voor de evaluatie van 'soft data’ door middel van definieerbare enquêtes met vragen en vooraf gedefinieerde antwoorden (meerkeuzevragen), die eenvoudig in het systeem kunnen worden ingepast.
Enquêtes kunnen worden toegewezen aan specifieke attribuutgroepen in de scorekaarten en toelaatbare antwoorden kunnen zowel numerieke waarden als vooraf gedefinieerde en vrije teksten bevatten, die direct naar de scorekaart kunnen worden overgezet als input van de scorekaart als score-beïnvloeder of gewoon als puur informatie-item. De som van elke punctuatie met betrekking tot alle aangekruiste antwoorden in de enquête kan worden geïntegreerd in de scorekaart en dienovereenkomstig worden gewogen, samen met de 'hard data’.
Sommige attribuutgroepen kunnen worden ingesteld om verschillende soorten 'soft data’ te evalueren. Een attribuutgroep zoals de reputatie van sociale media kan bijvoorbeeld bestaan uit een enkel attribuut of een enquête zoals volgers in sociale media, met vragen zoals het aantal volgers op LinkedIn, het aantal volgers op Facebook, elk met verschillende punctuatie. Andere enquêtes in dezelfde groep kunnen betrekking hebben op publicaties in sociale media of zakelijke contacten in sociale netwerken.
Een attributengroep zoals ‘zakelijke en professionele know-how’ kan verwijzen naar afzonderlijke attributen of enquêtes zoals beschikbare kwaliteitscertificaten voor bedrijven. Een andere attributengroep op basis van enquêtes van het verkoopteam kan worden samengesteld uit enquêtes over onderhoudsfaciliteiten en transporttrucks, de perceptie van het werkklimaat, enz.
Elk afzonderlijk attribuut of onderzoek kan een maximale punctuatie bereiken en de bijbehorende attribuutgroepen kunnen in het eindberekeningsproces ook verschillend worden gewogen om de eindscore te verkrijgen, die gecorreleerd is met een kredietwaardigheidscijfer.
Afhankelijk van de status van de klant, bijvoorbeeld een nieuwe of bestaande rechtsvorm, locaties, vestigingen, filialen, kredietsegmenten en eventuele beschikbare en actuele interne en externe gegevensbronnen in Risk Management, kent het systeem dynamisch een scorekaart toe aan de businesspartner door middel van een specifieke wegingsstructuur en scorekaart-methodologie.
Als gevolg hiervan kunnen nieuwe klanten, zoals startende ondernemingen of MKB die niet verplicht zijn om hun financiële overzichten openbaar te maken en die een gebrek aan 'hard facts’ vertonen, worden beoordeeld door vooral rekening te houden met kenmerken zoals 'soft facts’ en enquêtes onder verkopers. Aan de andere kant kunnen bestaande klanten met eigen betalingservaring en andere boekhoudkundige cijfers worden beoordeeld met een scoringsmodel dat een hoger gewicht toekent aan 'hard facts’.
Met deze tool krijgen bedrijven een systematische evaluatie van allerlei 'soft facts’ met vooraf gedefinieerde enquêtes, checklists en vragenlijsten. Zodra er een nieuw ‘soft fact’ in de scorekaart in Risk Management stroomt, kan de instroming een nieuwe score triggeren die de kredietwaardigheidsrating kan verlagen of verhogen en de huidige kredietlimietaanbeveling kan beïnvloeden, waardoor een beslissingsworkflow in gang wordt gezet.
Zolang complexere algoritmische en semantische voorspellingsmodellen zoals Big Data verder gestandaardiseerd en gekoppeld kunnen worden aan meer informatietechnologiesystemen, kunnen bedrijven die gebruik maken van Risk Management allerlei belangrijke 'soft facts’ in hun risicomanagement op een zeer uitgebreide, flexibele en effectieve manier beoordelen. Het biedt volledig toekomstinzicht van de financiële prestaties van zakenpartners en voorspelt 'hard facts’ en bedrijfsfaillissementen en blijft technologisch klaar voor de toekomst met SAP Leonardo.
