De voordelen van data-analyse
Niels Turfboer, managing director bij fintech-kredietverstrekker Spotcap, bespreekt de voordelen van data science en het belang van de juiste balans tussen mens en machine.
Machine learning is allang niet nieuw meer, en is als ‘buzzword’ zijn functionaliteit ontstegen. Goed ingerichte modellen voor machine learning kunnen aanzienlijke toegevoegde waarde bieden en bedrijven helpen om sneller en beter geïnformeerd beslissingen te nemen – van het tracken en profileren van klantgedrag om de meest geschikte producten aan te bieden, tot marktanalyses of het berekenen van risico’s. Maar om echt de vruchten van machine learning te kunnen plukken, moet je wel jouw data op de juiste manier kunnen analyseren.
Maximalisatie van technologische vooruitgang door data science
Bij Spotcap vormt data science een centraal onderdeel van ons bedrijf – het wordt gebruikt voor onze product-, underwriting- en IT-teams en business development. We hebben een interne R-taal bibliotheek gebouwd om taken binnen data science te optimaliseren en kennis hierover met hele bedrijf te delen. In essentie bevat deze toolset een scala aan functies waarmee elke nieuwe dataset kan worden voorbereid en geanalyseerd. Dit optimaliseert de resultaten van onze analyse en verkort de tijd om de taak te voltooien.
R is een programmeertaal die wordt ondersteund door de R Foundation for Statistical Computing. Het wordt gebruikt door statistici en data miners voor het ontwikkelen van statistische software en data-analyse.
Continue optimalisatie van het algoritme
Wij werken doorlopend aan onze technologie en passen onze modellen aan op basis van algoritmes zoals Xgboost, Elastic-Net of Random Forest, om te kunnen acteren op de nieuwste data en marktontwikkelingen. Bovendien verhogen we continu de kwaliteit en kwantiteit van onze data die onze modellen voedt. Het maken van accurate analyses is cruciaal, dus we blijven onze risicoanalyse-modellen ook optimaliseren. Hoewel we dus ons laten ondersteunen door geautomatiseerde beslissingen, ligt de eindbeslissing nog altijd bij onze ervaren underwriters. Hun kennis en expertise zijn noodzakelijk om de best mogelijke resultaten te behalen.
Algoritmes ten behoeve van machine learning kunnen enorme hoeveelheden gegevens veel efficiënter verwerken dan mensen. De introductie van goed presterende algoritmes heeft geleid tot grote vooruitgang op het gebied van machine learning. Niets heeft echter meer invloed op de nauwkeurigheid van modellen dan feature engineering en de kwaliteit van de data.
Algoritmes moeten voortdurend worden verfijnd, gegevens moeten worden geverifieerd – dit alles vereist menselijke inbreng. Hoe beter de kennis van de data, des te nauwkeuriger en inzichtelijker de resultaten. Zelfs het krachtigste algoritme voor machine learning faalt als het wordt toegepast op gegevens met meetfouten.
Feature Engineering is het proces waarbij onbewerkte data wordt omgezet in functionaliteiten die het onderliggende probleem beter weergeven in de voorspellende modellen, wat resulteert in een verbeterde model-nauwkeurigheid op nog niet bekende data.
Juiste balans tussen mens en machine
Het draait allemaal om het automatiseren van de juiste elementen in de analyse. En hierbij de juiste onderdelen over te laten aan menselijk inzicht. Dit betekent het combineren van geavanceerde data-analyse, machine learning en menselijke analytische vaardigheden. Omdat je in bedrijfsfinanciering te maken hebt met echte mensen en complexe bedrijfsstructuren, zal menselijk inzicht altijd de belangrijkste rol innemen. Onze underwriters en data scientists voegen voortdurend nieuwe kennis aan onze modellen toe om steeds preciezere resultaten te krijgen. Om de voordelen van technologische vooruitgang te maximaliseren, blijft menselijke input essentieel.
Wat levert het op voor de klant?
De manier waarop een fintech zakelijke financiering een stuk toegankelijker maakt, is door zich te richten op de real-time prestaties van een bedrijf met behulp van de actuele data. De meer traditionele spelers in de markt richten zich daarentegen vaak op historische data. Elke rode vlag in deze data – misschien iets in een verouderd transactiebestand of een oude belastingaangifte – betekent meestal dat een kredietaanvraag kan worden afgewezen. Degenen die wel goedgekeurd worden voor zakelijk krediet, zijn vaak weken met het gehele proces bezig.
Algoritmes stellen fintech-kredietverstrekkers in staat om op vlotte wijze zeer accurate kredietbeslissingen te nemen en hierdoor effectief de twee grote problemen binnen zakelijke kredietverlening – toegang en snelheid – op te lossen, en onze klanten een betere ervaring te bieden.
______________
Dit artikel is geschreven door Niels Turfboer, managing director voor Spotcap Nederland en Verenigd Koninkrijk. Niels heeft ruim 20 jaar ervaring in financiële dienstverlening. Zo heeft hij onder meer in Nederland en Frankrijk bij ABN AMRO en ING gewerkt. Voorafgaand aan Spotcap was hij werkzaam bij MarketInvoice, één van de grote fintechs gericht op het MKB in Londen.