TKB schuift op naar een meer datagedreven organisatie. Voorheen werkte het niet in de cloud; rapportages en inzichten werden verkregen vanuit een zelf ontwikkelde applicatie op de lokale productieomgeving. Bollebakker: 'Met de hulp van KBenP hebben we een dataplatform ingericht in de cloud. Dankzij deze stap hebben wij de beschikking gekregen over hulpmiddelen en technieken die we voorheen niet hadden. Zo maken wij nu gebruik van data intelligence en machine learning. Daarnaast kunnen wij de data nu eenvoudiger gebruiken voor interne procesverbeteringen en inzichten in ons creditmanagement.'
Eén versie van de waarheid
Bram Albers, data scientist van KBenP, benoemt nog een aantal voordelen van het feit dat TKB nu in de cloud werkt. 'Datauitwisseling tussen TKB en haar klanten is een stuk eenvoudiger geworden. Daarnaast heb je één versie van de waarheid. Bovendien, en dat is ook interessant voor ons, kunnen wij de data makkelijker aan elkaar koppelen en waar mogelijk verrijken.'
Hierdoor krijgt TKB inzichten die het voorheen nog miste. Bollebakker: 'Ons machine learning-model is in staat om inzichten te generen waar de mens, onze medewerkers, voorheen geen oog voor had.'
Lees ook:Waarom grip op creditmanagementprocessen zo belangrijk is
Aanpak efficiënter maken
TKB kan putten uit tientallen jaren creditmanagementervaring, met de daarbij horende data. Door deze dossiers en data aan elkaar te koppelen via het dataplatform kunnen met predictive analytics voorspellingen worden gedaan. Bollebakker: 'Het doel hiervan is om onze aanpak voor een invordering efficiënter te maken. Historische, huidige en nieuwe data worden verwerkt en gecombineerd.'
Deze ontwikkeling is in lijn met het huidige tijdsgewricht waarin we leven, zegt Albers. 'Voorheen werden Excelsheets ingevuld door mensen, nu worden deze processen geautomatiseerd, ook het proces waarbij wij debiteurenbeheer voorspellen. Als je weet wat je moet gaan doen, kun je efficiënter handelen en dus geld besparen. Bovendien blijft er tijd over voor de medewerker om taken uit te voeren die van meerwaarde zijn voor de organisatie.'
Wij gaan niet blind af op de beste acties die het model ons aanreikt
TKB voedt het dataplatform, waarna de technologie haar werk doet om tot verschillende inzichten te komen. Bollebakker: 'Hoe meer kenmerken je over een debiteur hebt, des te makkelijker wordt het voor het systeem om tot die inzichten te komen. Doordat wij jarenlange ervaring hebben, kunnen wij veel voorbeelden overleggen wanneer een debiteur een vordering wel voldoet en wanneer niet.'
Het blijft mensenwerk
Als er een nieuwe vordering binnenkomt bij TKB kan het dataplatform aan de hand van machine learning bepalen welke workflow er aangehangen kan worden. Ook wordt inzichtelijk welke stappen te doorlopen zijn om tot een (eerdere) succesvolle betaling te komen. Albers: 'Een computer kan dat in basis beter dan een mens. Op basis van historische data en trends die wij als mens niet zien. Maar het is uiteindelijk niet de computer die bepaalt of een handeling ook daadwerkelijk wordt uitgevoerd; het blijft mensenwerk.'
Die gedachte draagt TKB ook uit, vervolgt Albers: 'Data intelligence en machine learning zijn ter ondersteuning in plaats van ter uitvoering van de werkzaamheden. Wij proberen met onze technologie aan te geven in welk profiel een debiteur past of welke actie je kunt uitvoeren, maar wij zeggen niet dat je dat ook daadwerkelijk moet toepassen; daar zit de menselijke nuance in. De individuele medewerker van TKB maakt de keuze of het bijvoorbeeld toch niet beter is om te bellen met de debiteur in plaats van een brief te sturen.'
Lees ook:Risicomanagement anno 2023: proactief én kansrijk
Bollebakker benadrukt dat TKB nog steeds al haar klanten wil bedienen. 'Wij gaan niet blind af op de beste acties die het model ons aanreikt. We behandelen ook de dossiers waarin wellicht een minder resultaat wordt verwacht. Om sneller inzicht te krijgen in de positie van een debiteur of om vast te stellen dat de situatie van de debiteur is veranderd en betaling nu wel mogelijk is.'
Hulpmiddelen
De inzet van data intelligence en machine learning is geen doel op zich voor TKB, benadrukt Bollebakker. 'Het zijn hulpmiddelen om ons doel te bereiken, namelijk het voorspellen van het toekomstig betaalgedrag van een debiteur en daarop inspelen. Als je onze medewerkers vraagt wie van de debiteuren gaat betalen, zal je zien dat ze het nog vaak bij het juiste eind hebben – puur op basis van ervaring. Er zijn medewerkers die hier al 25 jaar contact hebben met debiteuren, dus zij weten wel het een en ander. De techniek maakt ons leven daarentegen wel een stuk makkelijker.'
Dit artikel is tot stand gekomen in samenwerking met TKB.
