Hoe platforms met technologie wanbetalingen opsporen en voorspellen

Laten we simpel beginnen. Een default betekent in feite dat de kredietnemer de lening niet heeft terugbetaald zoals afgesproken. Dat kan een gemiste termijn zijn, een kredietnemer die compleet van de radar verdwijnt, of alles daartussenin. Zulke situaties vooraf opsporen en voorspellen is enorm waardevol: platforms voorkomen er grote verliezen mee en kunnen betrouwbare kredietnemers betere tarieven bieden.

De oude school vs. de nieuwe school

Vroeger vertrouwden kredietverstrekkers vooral op een handvol zaken: kredietrapporten, arbeidsverleden en misschien een paar referenties. Dat hoort er vandaag nog steeds bij, maar het is niet meer het volledige plaatje.

Technologie speelt nu een heel grote rol. Platforms gebruiken machine-learningmodellen die patronen herkennen die de meeste mensen niet eens zouden opvallen. We hebben het dan over zaken als:

• Hoe vaak iemand van baan wisselt
• Hoe snel iemand de aanvraag invult
• Op welk moment van de dag iemand meestal rekeningen betaalt
• Iemands patronen in telefoongebruik

Al die kleine signalen samen kunnen een verrassend nauwkeurig beeld geven van hoe waarschijnlijk het is dat iemand terugbetaalt.

Iemand die snel van baan wisselt en rekeningen pas laat op de dag betaalt, is bijvoorbeeld misschien niet zo financieel verantwoordelijk. Zo iemand legt zich moeilijk vast aan een baan en betaalt rekeningen niet bewust. Met andere woorden: de kans is groot dat diegene in gebreke blijft bij een lening.

Veel mensen, vooral in opkomende markten, hebben geen traditionele kredietscore. Vroeger was dat een probleem. Nu kunnen kredietverstrekkers naar alternatieve data kijken. Denk aan beltegoed opwaarderen, betalingen voor nutsvoorzieningen, huurgegevens of zelfs gedrag op social media.

Iemand die elke maand zijn telefoonrekening op tijd betaalt, betaalt statistisch gezien bijvoorbeeld eerder een lening terug dan iemand die dat niet doet. Klinkt niet erg wetenschappelijk? Nou, de modellen denken daar anders over.

Casestudy: 8lends

8lends, een crowdlendingplatform uit Zwitserland, gebruikt alternatieve data van de smartphones van kredietnemers om hun kredietwaardigheid te beoordelen. Denk aan openstaande leningen, burgerlijke staat en meer. Zo konden ze leningen verstrekken aan duizenden mensen en hebben ze nog geen enkele wanbetaling of te late betaling gehad.

Dat is de kracht van slimme technologie die verantwoord wordt ingezet.

Uit een rapport van de Wereldbank blijkt dat alternatieve data het aantal wanbetalingen flink kan verlagen en tegelijk de toegang tot krediet vergroot. Een win-winsituatie.

Hoe werkt het achter de schermen? Duizenden, misschien miljoenen eerdere leningen worden in een machine-learningmodel gestopt. Het model leert welke leningen in default gingen en welke niet, en zoekt vervolgens patronen. Gingen kredietnemers uit een bepaalde regio vaker in gebreke? Was er een verband tussen het leenbedrag en een succesvolle aflossing? Gingen mensen in bepaalde sectoren vaker in default?

Hoe meer data je erin stopt, hoe slimmer het wordt. Na verloop van tijd kunnen deze modellen bijna griezelig nauwkeurig worden. Maar ze hebben nog steeds hun gebreken. Als de input bevooroordeeld of onvolledig is, kunnen de voorspellingen er flink naast zitten. Daar blijft menselijk toezicht een sleutelrol spelen. Het is essentieel om het model data te geven uit alle hoeken. Zo kunnen de voorspellingen beter omgaan met uiteenlopende situaties.

Voorspellen stopt niet bij het goedkeuren van de lening. Veel platforms blijven kredietnemers realtime volgen. Ze houden betaalgedrag, uitgavenpatronen en zelfs veranderingen in app-activiteit in de gaten.

Stel dat een kredietnemer die normaal op de 3e betaalt, ineens twee betalingen mist. Een slim platform kan dat direct signaleren, herinneringen sturen, herstructureringsopties aanbieden of het incassoproces starten voordat de lening uit de hand loopt.

Sommige platforms gebruiken zelfs sentimentanalyse om e-mails of supporttickets te lezen. Als een kredietnemer gestrester of negatiever begint te schrijven, kan dat wijzen op financiële problemen. Dat kun je griezelig of zelfs opdringerig vinden, maar het blijkt nuttig om wanbetalingen te beperken.

Een ander groot stuk van de puzzel is zeker weten dat de aanvrager echt bestaat en niet probeert het systeem op te lichten. Dat is echt essentieel geworden door de opkomst en het toenemende gebruik van technologie zoals deepfakes om live gezichtsherkenning te misleiden. En daar houdt het niet op: ook documenten zijn tegenwoordig zo makkelijk na te maken dat je echt en nep nauwelijks nog van elkaar kunt onderscheiden.

Kredietverstrekkers gebruiken nu gezichtsherkenning, documentscans, device fingerprinting en zelfs locatiecontroles om zeker te weten dat ze geld lenen aan een echt persoon.

Een plotselinge wijziging van IP-adres of een aanvraag vanaf een locatie met een hoog risico kan alarmbellendoen rinkelen. Het is net de beveiliging op een vliegveld, maar dan voor leningen. De systemen volgen subtiele inconsistenties in gedrag en signaleren die.

Laten we even pauzeren. Met al die technologie die meekijkt in het leven van mensen, zijn zorgen over privacy volkomen terecht. Moet een kredietverstrekker echt je telefoongewoontes mogen volgen of je Facebook-posts mogen scannen? Er moet een balans gevonden worden tussen effectieve risicobeoordeling en ethisch datagebruik. Veel platforms werken onder strenge wetgeving voor gegevensbescherming (zoals de AVG/GDPR in Europa), maar andere? Niet echt.

Uiteindelijk draait het om transparantie. Kredietnemers moeten weten welke data er wordt gebruikt en waarom. Helaas lezen kredietnemers de kleine lettertjes zelden, zelfs als kredietverstrekkers proberen uit te leggen waarvoor hun data wordt gebruikt.

Waar gaat dit allemaal naartoe? Modellen worden alleen maar slimmer naarmate er meer data beschikbaar komt. AI wordt al gebruikt om complete economische omgevingen te simuleren, te testen hoe kredietnemers op verschillende rentetarieven reageren, en meer. Het echte doel? Leningen afstemmen op de realiteit van elke kredietnemer. Stel je een wereld voor waarin je leningvoorwaarden zich automatisch aanpassen aan hoe je er financieel voor staat.

Technologie maakt lenen eerlijker, efficiënter en toegankelijker. Maar perfect is het niet. Het heeft nog altijd een menselijke hand nodig. Of dat nu gaat om ethische grenzen stellen of ingrijpen als de technologie de mist in gaat. Wanbetalingen voorspellen draait niet alleen om wiskunde. Het draait om mensen begrijpen. En terwijl de technologie zich blijft ontwikkelen, zijn de platforms die verstand en hart in balans brengen de winnaars.

Want uiteindelijk draait lenen niet alleen om risico. Het draait om vertrouwen. En vertrouwen? Dat is nog steeds iets heel menselijks. Mensen vertrouwen machines niet. Zonder menselijke touch zullen mensen het systeem en de processen niet vertrouwen.

Met crowdlendingplatforms zoals 8lends spreid je het risico op wanbetalingen over meerdere projecten en deel je het risico in elk project met andere investeerders. Gelukkig is het risico bij 8lends erg laag, want er is nog geen enkele te late betaling geweest.