Nye data og ny indsigt = konkurrencemæssige fordele = værdiskabelse
Kombiner interne og eksterne data. Søg stadig mere indsigt og præcision. Vær nysgerrig.
Et af de mest værdifulde aktiver i en virksomhed er ofte data. Interne data, som er helt unikke for virksomheden, kombineret med eksterne data. Grundlaget for at, få skabt værdi ud af dataene er, at disse er tilpasset virksomhedens strategier, forretningsmål, og løsninger. Den rette datastrategi skal nemlig gøre det nemt, at få mere præcis og helt ny kundeindsigt, så virksomheden kan træffe bedre beslutninger. Den rette datastrategi skal kunne give indsigt på kunde-, produkt-, medarbejder- og leverandørniveau. Så tager det ikke lang tid, at lave nye kampagner eller udvikle nye løsninger.
De virksomheder, der for alvor dedikerer sig til at træffe data-drevne beslutninger, oplever hurtigt en trang til stadig indsamling af ny data og indsigt. For når først værdien af data for alvor konstateres, så danner det sin egen efterspørgsel efter flere data.
Find nye mønstre. Nysgerrighed belønnes.
Data kan være mangeartede. Der er data, der opsamles og fødes i realtid fra sensorer. Data der opsamles og fødes i realtid fra transaktioner. Ustrukturerede data, rå data eller bearbejdede data. Dokumenter, billeder og audio – kan omdannes til ”mikrodata”. Listen er lang. Virksomheder der investerer i den rette datastruktur, og de rette kompetencer, oplever, at de fleksibelt og hurtigt kan forklare forskellige købsmønstre per kunde, indikere kundeloyalitet per kunde, forskellig kreditrisiko per kunde etc. Det er det, der sikrer, at kundeløsninger og markedsføring tilpasses mere personligt, end hvis beslutningsgrundlaget var mindre præcis., og som gør "time to market" kort.
Det drejer sig om, at komme i gang med at blive data-drevet. Virksomheder, der har ”set lyset”, sørger nu for flere data-feedbacks fra kunder, medarbejdere, leverandører mv, fordi virksomheden kan se værdien i, at få indsigt på detaljeret niveau. Virksomheden gøres nysgerrig efter at finde ”mønstre” blandt de forskellige kunder, medarbejdere eller andre interessenter, og bruger dette til at justere deres løsninger og services, så de løbende kan sikre den gode kundeoplevelse. Hvis det blot foregår ud fra ”følelser” og ”vi kender vores kunder og interessenter godt i forvejen”, så skabes der ikke blot en personafhængighed, men også en stor risiko for inoptimale beslutninger, og udynamiske forretningsmodeller.
Pengeinstitutters ratingsystemer – et eksempel på ny relevant data
Pengeinstitutter lever blandt andet af, at tilbyde private og virksomheder lån og kreditter, og påtager sig derfor en kreditrisiko. Risikoen er, at låntagere på et tidspunkt i låneperioden ikke kan tilbagebetale deres lån, og misligholder deres aftale med pengeinstituttet. Pengeinstitutter har derfor et stort incitament til, at rangordne udlånskunder ud fra risikoen for, at disse misligholder.
Det forretningsmæssige formål med at rangordne kunderne efter kreditrisiko er, at kunne udpege de kunder, der i særlig høj grad vurderes risikable, eller bevæger sig imod højere kreditrisiko, så pengeinstituttet præcist kan tilpasse betjeningen per kunde. Med robuste analytiske modeller kan pengeinstituttet nemlig opdele kunderne i grupper/ratingklasser, og sætte særlig kreditmæssig fokus på de mest risikobetonede grupper. Opdelingen af kunderne i ratings udpeger samtidig også de kunder, hvor der forudsiges en meget lille kreditrisiko, og hvor kundebetjeningen vil kunne udformes helt anderledes.
Jo mere præcis kunderne rates, desto mere træfsikkert kan betjeningen indrettes, og desto tidligere kan pengeinstituttet få ”early warnings” for kunder, som forudsiges på vej mod betalingsproblemer, og ”early mer-salgsmuligheder” for andre kunder.
Det er derfor vigtigt hele tiden at være på udkig efter nye data og nye metoder, så ratingen kan foretages så præcist som muligt. Det er til alles bedste. For jo tidligere et pengeinstitut kan gribe ind, desto større er muligheden, for at få virksomheden styret på rette spor igen. En win-win.
Incitamentet bør selvsagt være stort. Det bør være en del af DNA’et at være nysgerrig efter ny data drevet indsigt, og ikke blot noget, der sker af regulative årsager.
Kort om ratingmodeller: En indplacering af en konkret kunde i en konkret risikogruppe (rating), sker ofte på baggrund af historiske finansielle informationer fra virksomheden og branchen (ex post). Dette kombineres ofte med information fra konto- og depoter, for at hente indsigt om situationen her og nu. Det kan være saldostørrelse, overtræksinformation, og bevægelsesmønstre på konti- og depoter (ex initiere). Endelig kombineres ofte med vurderinger af udviklingen fremover (ex ante). De pengeinstitutter, der har fået godkendt interne ratingmetoder, som grundlag for opgørelse af deres kapitalforhold, skal søge og anvende ny og relevant information. Her er incitamentet til stadig mere præcision i forudsigelserne ikke blot internt styret, men også regulativ krævet, jfr CRR art. 144(1)(d)
Et eksempel på nysgerrighed efter ny indsigt findes i et 2018 ”Working Paper” fra Danmarks Nationalbank udarbejdet af Casper Hansen, Christian Hansen, Pia Mølgaard og Rastin Matin: ”Predicting distresses using Deep Learning of Text Segments in Annual Reports”. Forfatterne viser at tekst-data kan modelleres til ny indsigt ved at konstruere såkaldte ”deep learning” modeller. Forfatterne viser, at når der inddrages indsigt fra revisorerklæringer, så forbedres ratingmodellerne forudsigelsesevne, så virksomhederne rates signifikant mere præcist, i forhold til modeller, der alene baseres på finansiel information.
Læs mere på: https://www.nationalbanken.dk/da/publikationer/Documents/2018/11/WP_130.pdf
Som et andet eksempel er det nu, via CrediWire, muligt, at tilgå løbende finansiel information fra virksomheder f.eks hver måned. Med CrediWire Pulse kan der nu konstrueres 12 måneders regnskaber hver måned. CrediWire har konstrueret helt nye nøgletal, der kan give dybere indblik i kundernes økonomi, end det der kan udledes fra de traditionelle regnskaber, og samtidig er det muligt at perspektivere en virksomheds økonomi til andre lignende virksomheder. Nu kan den finansielle udvikling følges hele tiden, via digital samkøring af data. Usikkerheden om udviklingen her og nu hos en konkret virksomhed kan nu elimineres. Det er ligeledes, et godt eksempel på, at nye data vil berige beslutningsprocessen markant. Se mere på www.crediwire.com.
Data synergier
De data, der løser et forretningsmæssigt formål kan på samme tid genbruges til helt andre forretningsmæssige formål. Når f.eks den data-drevne kreditrating af kunderne er foretaget, kan de samme data også bruges som input til andre modeller. Kunderne kan, på en og samme tid, grupperes i forhold til forskellige forretningsmæssige formål. F.eks til at indikere next best actions i salget og rådgivningen af kunderne. Der er et stort overlap i de data, der bruges til kreditrating og til next best action anvisningerne i salget, så når en virksomhed er blevet data-drevet til ét formål, skal den ikke starte forfra med at blive data-drevne til andre formål. Derfor er det vigtigt, at tænke dataanvendelse på virksomhedsniveau – at tænke holistisk. Der er nemlig store synergier, som desværre ofte ikke realiseres, fordi virksomheden er organiseret i ”data-siloer”. Med den rette datastrategi kan der ofte hentes meget værdi ud af data, og data vil blive virksomhedens mest værdifulde aktiv.
Spørgsmål:
- Hvilke forretningsmæssige formål kan I realisere bedre ud fra data?
- Er Jeres forretningsmæssige formål beskrevet tilstrækkelig detaljeret?
- Hvilke data bruger I i dag, og til hvilke formål?
- Hvilke nye data vil være værdifulde?
- Hvor får I nye data fra?
- Hvordan sikrer I kvaliteten og strukturen i data?
- Er Jeres dataarkitektur optimal, til det I vil?
- Har I tilstrækkeligt med analytiske kompetencer?
- Hvilke synergier kan I få ud af Jeres data – og Jeres ønskede data?
- Hvordan værdiansætter I Jeres data?
Mogens Kristensen
+45 21 69 53 40
Nicholas Meilstrup
+45 31 41 23 41