Data Department, bir finans şirketinin hazine birimi için tahsilat tahmini modeli geliştirdi. Hazinenin, müşteri geri ödemelerinden ne kadar nakit gireceğini bilmesi gerekiyordu. Müşteri bazlı risk skorlarını kullanan yeni model, MAPE (ortalama mutlak yüzde hata) ile ölçülen tahmin hatasını %32'den %9,5'e indirdi.
Karar neydi?
Hazine ekibi likiditeyi planlar. Ne kadar nakdin hazırda tutulacağına, ne zaman ve ne kadar borçlanılacağına, ne kadarının değerlendirilebileceğine karar verir. Bu kararların hepsi tek bir girdiye dayanır: müşterilerin gerçekte ne kadar ödeme yapacağı ve bunu ne zaman yapacağı.
Tahsilat tahmini yaklaşık üçte bir oranında yanıldığında hazinenin önünde iki olumsuz seçenek kalır: Ya maliyetli, büyük nakit tamponları tutar ya da daha düşük tamponla çalışarak nakit açığı riskini göze alır. %32'lik bir tahmin hatası, hazinenin geniş bir belirsizlik aralığına göre plan yapması demekti.
Asıl soru "daha karmaşık bir model kurabilir miyiz?" değildi. Soru şuydu: "Hazinenin güvenle plan yapabilmesi için ne kadar tahsilat gerçekleşecek?"
Ne geliştirdik?
Temel değişiklik, tahmini müşteri bazlı risk skorları üzerine kurmaktı. Risk skoru, her müşteri için ödemesini zamanında ve kararlaştırıldığı gibi yapma olasılığının bir tahminidir. Böylece tahmin, yalnızca ne kadar alacak olduğunu değil, bu alacağın kimde olduğunu da hesaba katıyor.
| Ölçüt | Önce | Sonra |
|---|---|---|
| Tahmin hatası (MAPE) | %32 | %9,5 |
| Hazinenin elindeki | Geniş hata aralıklı bir tahmin | Likidite planına temel olabilecek bir tahmin |
Müşteri bazlı risk neden önemli? Toplam tahsilat, çok sayıda bireysel ödeme davranışının toplamıdır. Riskli müşterilerin payı artan bir portföy, geçmiş verilerin gösterdiğinden daha az tahsilat sağlar. Her müşterinin riskini gören bir model bu kaymayı yakalayabilir; yalnızca toplamları gören bir model yakalayamaz.
Genel olarak bu tür projeler iki adımdan oluşur: önce her müşterinin ödeme riski skorlanır, sonra bu skorlar hazine için beklenen nakit akışına dönüştürülür. Burada genel yöntemi anlatıyoruz; müşterimizin verisi ve modelleri gizli kalıyor.
Sonuçlar
- Tahmin hatası (MAPE) %32'den %9,5'e indi.
- Tahsilat tahmini modelinin temel girdisi: müşteri bazlı risk skorları.
Başarıyı belirleyen etkenler
Hazinenin kararından başladık. Likidite planlaması, gelecek nakde dair güvenilir bir görünüm gerektiriyordu. Hedefi bu belirledi: hazinenin plan yapabileceği düzeyde bir tahmin hatası.
Kazanım, müşteri düzeyindeki ayrıntıya dayanıyordu. İyileşme, müşterilere tek tek, risk skorları üzerinden bakmaktan kaynaklandı.
Risk modelleri ile tahmin modelleri birbirini besleyebilir. Pek çok finans şirketinde kredi ve ödeme riski skorları zaten başka kararlar için vardır. Genel olarak, müşteriye dair bu bilgiyi hazine tahmininde de kullanmak, aynı veriden daha fazla değer üretmenin pratik bir yoludur.
Bu çalışma talep tahmini hizmetimizin ve finans ve sigorta sektöründeki çalışmalarımızın bir parçası. Benzer bir örnek için sigorta yenileme projemize bakabilirsiniz.
Sık sorulan sorular
MAPE nedir?
MAPE (ortalama mutlak yüzde hata), tahmin hatalarının gerçekleşen değerlere oranla ortalama büyüklüğüdür. %9,5'lik bir MAPE, tahminin ortalamada gerçekleşen değerden %9,5 saptığı anlamına gelir.
Müşteri bazlı risk skorları tahmini neden iyileştirdi?
Tahsilat, çok sayıda bireysel ödeme davranışının toplamıdır. Risk skorları her müşterinin ödeme olasılığını gösterdiği için tahmin, yalnızca geçmiş toplamları değil, müşteri yapısındaki değişimleri de yansıtır.
Tahsilat tahmini yalnızca finans şirketleri için mi faydalı?
Hayır. Leasing, abonelik ya da vadeli satış yapan firmalar gibi, çok sayıda müşterisinden zamana yayılmış ödeme alan her işletmenin gelecek nakdi tahmin etmesi gerekir. Aynı yaklaşım burada da uygulanabilir.