Bankwezen
Actief voor financiële instellingen en fintechs in Spanje
Acceptatiemodellen op basis van traditionele variabelen die kredietwaardige klanten zonder formele kredietgeschiedenis ondergewaardeerd laten, of vroege signalen van verslechtering in de bestaande portefeuille missen.
Fraudepatronen die voortdurend veranderen — kaarten, overboekingen, accountovername — terwijl regelgebaseerde systemen weken achterlopen met updates.
Massacampagnes met lage conversie omdat het product het verkeerde segment op het verkeerde moment bereikt. De klant ziet de hypotheekaanbieding drie maanden nadat hij die nodig had.
Vragen over transacties, producten en verrichtingen die het callcenter en de app overspoelen met vragen die een model in seconden zou kunnen oplossen.
01
Modellen die de traditionele scoring verrijken met variabelen over transactiegedrag, rekeninggebruik, betaalgedrag en alternatieve databronnen. Beter onderscheid tussen goede en slechte betalers — en toegang tot segmenten die met klassieke scoring buiten de boot vallen.
Wat er verandert
Vroege achterstanden 15-25% lager in de nieuwe portefeuille waar het model wordt toegepast. Hoger acceptatiepercentage voor kredietwaardige klanten zonder formele historie.
02
Modellen die elke transactie in milliseconden scoren tegen de normale gedragspatronen van de rekeninghouder: bedrag, tijdstip, locatie, frequentie en volgorde. Verdachte transacties worden geblokkeerd of extra gecontroleerd — normale transacties ondervinden geen frictie.
Wat er verandert
Het percentage ontdekte fraude stijgt 40-60% ten opzichte van systemen met statische regels. Minder false positives (geblokkeerde legitieme transacties) — minder frictie voor de klant.
03
Een model voor productaffiniteit (hypotheek, persoonlijke lening, fondsen, verzekeringen) getraind op klantgedrag: salariswijzigingen, spaarbewegingen, naderende vervaldata. De relatiebeheerder krijgt de juiste aanbieding voor de juiste klant op het juiste moment.
Wat er verandert
Campagneconversie 25-40% hoger dan bij niet-gepersonaliseerde campagnes. Klanten krijgen relevante aanbiedingen — niet de hele catalogus.
04
Een assistent in app, web en WhatsApp die vragen over transacties, saldi, producten, verrichtingen en klachten afhandelt. Hij kent de context van de klant en verbindt door met een menselijke adviseur als er onderhandeld moet worden of het echt complex wordt.
Wat er verandert
55-70% minder eenvoudige vragen in het callcenter. Een bankapp die de 80 meest gestelde vragen direct beantwoordt. Adviseurs besteden hun tijd aan waardevolle klanten.
05
Modellen die signalen van kredietverslechtering in de bestaande portefeuille detecteren: veranderingen in uitgavenpatronen, hoger gebruik van krediet, onregelmatige betalingen. De adviseur krijgt een melding 60-90 dagen voordat er een betalingsachterstand ontstaat.
Wat er verandert
Het herstelpercentage bij vroegtijdig ingrijpen is 3-5x hoger dan bij invordering na wanbetaling. Lagere voorzieningen door minder achterstanden in proactief beheerde portefeuilles.
3-4 weken
Audit van de beschikbare data, de kwaliteit van krediet- en transactiehistorie en de kritieke processen. We bepalen de 2-3 cases met een ROI die verdedigbaar is tegenover het risicocomité.
10-16 weken
Implementatie van verbeterde scoring, fraudedetectie of portefeuillemonitoring voor een afgebakend product of segment.
6-10 maanden
Voor instellingen die AI willen samenbrengen in risico, fraude, aanbiedingen en service op één gemeenschappelijke data-architectuur.
Compliance is een ontwerpeis. Scoring- en fraudemodellen worden ontwikkeld met gedocumenteerde uitlegbaarheid (gebruikte variabelen, relatief gewicht, beslislogica), formele statistische backtesting en documentatie voor audits door de toezichthouder of de interne compliance officer. De EBA-richtsnoeren voor het gebruik van ML bij kredietverlening maken deel uit van het ontwikkelraamwerk.
Met een passende rechtsgrond (gerechtvaardigd belang bij fraude, uitvoering van de overeenkomst bij scoring): ja. De FG van de instelling is vanaf het begin betrokken om de rechtsgrond en de verwerking te valideren. De data verlaat de omgeving van de instelling niet.
Het samenbrengen van data is in bankprojecten bijna altijd de eerste deliverable. De diagnose brengt precies in kaart welke data in welke silo zit en stelt de integratiearchitectuur voor. Het is geen blokkade — het is projectwerk.
Diagnose: € 8.000-15.000. Pilot (scoring of fraude voor één product): € 45.000-90.000, afhankelijk van volume en complexiteit. Volledig platform: € 150.000-300.000+ over meerdere maanden. Bij middelgrote instellingen dekt de ROI uit voorkomen fraude of minder achterstanden de pilot doorgaans in het eerste jaar.
Een perfect vertrekpunt. We lichten het door, bepalen waar het waarde laat liggen (ondergewaardeerde segmenten, variabelen die het niet gebruikt, signalen van verslechtering die het mist) en stellen stapsgewijze verbeteringen voor, of een challengermodel dat parallel draait voordat het huidige wordt vervangen.