Ny modell for risikovurdering

Den enkleste av disse er kvaliteten på informasjonen man bruker. Jo bedre informasjonen du har, jo bedre kan du estimere risikoen. Man får sjeldent alt man vil ha her i verden, så jo mer oppdatert informasjonen er, jo mindre presis er den som regel. Et eksempel på dette er for eksempel nyhetsartikler sammenlignet med regnskapstall. Den første kategorien har nyere informasjon, gjenfortalt av noen som kanskje ikke har en full oversikt over bedriften. Den andre kategorien er veldig dekkende med regnskapet for i fjor, som er allerede er utdatert.

Slik utvikler vi vår nye risikomodell for bedrifter

Dette legger vi vekt på:

• Maskinlæring for kontinuerlig læring

• Offentlig registre for kontekst og sporing av endringer

• Nyheter for hendelser som gir aktualitet

• Sektorspesifikke kilder for dybdeforståelse om sektoren

• Bransjeanalyser for å forstå trender

• Skraping og tekstanalyse av nettsider for unik innsikt i enkeltselskapet

• Eierstrukturer for å forstå sammenheng

• Kundespesifikk data for erfaring

Disse går gjennom foredlingsprosesser der vi har bygd en rekke analyser som henter ut enda mer innsikt fra de forskjellige kildene. Prosessene kombinerer også kildene slik at modellen kan forstå dem.

Dette skiller modellen fra tradisjonell risikovurdering av selskap

For mange forbindes risikovurdering av et selskap med en modell basert på regnskapsdata og betalingsanmerkninger. Ofte hjulpet av noen regler som justerer den i etterkant. Disse bruker kun veldig presis data, men ofte data som er utdatert. Det betyr ikke at disse er unyttige. Det er en solid basis å bygge på, men vi mener at man må gjøre mer.

I våre modeller kombinerer vi både strukturert og ustrukturert data, slik at vi får en mer presis forståelse av selskapet. Denne oppdateres jevnlig når ny informasjon blir tilgjengelig, uansett om det er fra offentlige registre, fra nyhetsbildet, eller fra nye regnskap. Ved å bruke maskinlæring, altså modeller som selv lærer sammenhenger, vil man kunne bruke store mengder reell erfaring for å predikere fremover.

Vekting av datarelevans ligger i foredlingsprosessen

“Magien” i det vi bygger er i selve foredlingsprosessene våre: Jo mer vi kan hjelpe modellen, jo bedre prediksjoner kan den gjøre. Hvor mye modellen vektlegger hver kilde og hvert datapunkt er noe den lærer selv over tid. Noen av kildene er mer nyttige for menneskelig fortolkning av resultatet, men ikke nyttige for modellen, og da brukes disse kun for å vise kontekst rundt prediksjonen. Andre er vanskelig for mennesker å forstå, men viktige for modellen, og da vises de kun til modellen. Vi integrerer kontinuerlig nye kilder, og henterraskt inn nye dersom de gir oss en dypere innsikt.

Sluttresultatet er en modell vi mener treffer bedre enn de tradisjonelle. Den er kanskje litt vanskeligere å forstå, ettersom den tar inn tusenvis av faktorer mens tradisjonelle modeller tar inn titalls, men den gir oss et svært oppdatert bilde av tilstanden til et selskap. Vi tror dette er avgjørende for å ta valg basert på data.

Retningslinjer ved bruk av data til kredittopplysning

Vi understreker at det er viktig å skille mellom risikovurdering og kredittopplysninger. Risikovurdering brukes for eksempel ved oppkjøp, undersøkelser om samarbeid og partnerskap. Ved vurdering av kredittverdighet er kildene og metodene for dette konsesjonsbelagt og vil derfor fravike fra modellen beskrevet over.

Enkeltmannsforetak som ikke er registrert i foretaksregisteret vil i tillegg behandles som privatpersoner, med særskilte krav til behandling av personopplysninger. Disse selskapene eller privatpersoner i seg vil ikke omfattes av Enin sine risikomodeller. For informasjon om nøkkelpersoner knyttet til virksomheter er det også egne retningslinjer som må følges.

Om du ønsker å være med på utviklingen av den nye risikovurderingsmodellen vår for bedrifter, eller har innspill vi burde vite om, setter vi stor pris på om du tar kontakt med oss her.