Vroegtijdig signaleren en voorkomen van achterstanden op uw hypotheekportefeuille. Kan dat?

Post on 04-Jul-2015

155 views 1 download

description

Veel hypothecaire geldverstrekkers hebben slecht zicht op de financiële situatie van hun klanten. Als een klant betalingsproblemen krijgt is de geldverstrekker vaak de laatste die dit merkt. De AFM leidraad spoort geldgevers aan om risico’s in kaart te brengen en vroegtijdig met klanten die risico lopen in contact te komen. Hoe kan een geldverstrekker beter zicht krijgen op de situatie van een klant en risico’s signaleren? Predictive technology stelt u in staat om op basis van onvolledige informatie, die verrijkt wordt met big data, een risicoanalyse te maken. Hierbij wordt niet vooraf bepaald welke kenmerken nodig zijn voor een analyse, maar plooit de analyse zich naar de beschikbare gegevens en worden de meest voorspellende gegevens automatisch bepaald.

Transcript of Vroegtijdig signaleren en voorkomen van achterstanden op uw hypotheekportefeuille. Kan dat?

Vroegtijdig signaleren en voorkomen van achterstanden op uw hypotheekportefeuille.

Kan dat?

Mark Mastop

Everest

2

● Klantgerichte processen

o Adviseren en klantbeeld

o Ontsluiten via elk kanaal

o Regelen en afhandelen

Wat doet Everest?

● Kennisintensieve processen

o Kenniswerkers ondersteunen

o Automatiseren waar mogelijk

o Compliance en risico

● Focus op agile IT

o Advies en inrichten software factories

o Minder overdrachten door business engineering

Toegewijd, ondernemend en vooruitstrevend in financials en centrale overheid

5

6

7

Nederland gaat samenwerken met China

8

9

Sterftecijfer - Nederland

Bron http://www.indexmundi.com

10

Sterftecijfer - China

Bron http://www.indexmundi.com

11

Geboortecijfer - Nederland

Bron http://www.indexmundi.com

12

Geboortecijfer - China

Bron http://www.indexmundi.com

13

Heeft preventie nut?

15

Toename betalingsproblemen

Het aantal personen met een betalingsachterstand op de hypotheek is het afgelopen jaar met 25 procent gestegen. Dit blijkt uit de Hypotheekbarometer van Bureau Krediet Registratie (BKR).

Op dit moment hebben 81.888 huiseigenaren een betalingsachterstand, begin 2008 waren dat er nog zo'n 31.500.

Bron: BKR Hypotheek barometer 15/4/2013

Meer huizen onder water

Huishoudens met onderwaarde eigen woning

Gemiddelde onderwaarde eigen woning naar leeftijd hoofdkostwinner, 1 januari 2011

Eigen woning van ruim één miljoen huishoudens onder water

Gemiddeld staat een woning voor 13.000 euro 'onder water'. Begin 2011 bedroeg de gemiddelde onderwaardebij een huiseigenaar tussen de 25 en 35 jaar bijna 30.000 euro. Bij een 65-plushuishoudens was dat zo'n 1000 euro.

18

Het aantal huishoudens met een hypotheek die boven de marktwaarde van het huis ligt zal eind 2013 zijn gestegen naar 800.000.

Verwachting voor 2013

Toename restschuld

63%

21%

16%

Belangrijkste oorzaken

Beëindigen relatie

Wanbetaling

Inkomensverlies

Preventief beheer

Bijzonder Beheer

Intensief Beheer

Preventief Beheer

• Herinneren

• Incasseren

• Verkopen

• Budgetteren

• Regeling treffen

• Signaleren

• Voorspellen

• Voorkomen

Vroeger

Nu

Straks

22

23

Predictive Analytics

Met behulp van predictive analytics technologie op basis van historische data voorspellen of een klant een verhoogde kans heeft om op korte termijn in achterstand te geraken én bepalen welke actie het beste uitgevoerd kan worden om te voorkomen dat de achterstand ontstaat.

25

Big Data

26

27

28

● BigData gezien als technology push

● Gaat alleen succesvol worden als de business vraagstukken worden uitgewerkt

● Gartner plaats BigData in trough of disillusionment;kortom zeer snel volwassen.

o Snelstgeadopteerdetechnologie ooit.

Analisten

29

90% Data is van laatste 2 jaar

Bron IDC December 2012

30

Ongebruikte Data

23% is bruikbaar als getagged en geanalyseerd

Bron IDC December 2012

31

Ongebruikte Data

3% is getagged

0.5% is geanalyseerd

Bron IDC December 2012

32

Soorten Data

PubliekeData

Private

Data

Eigen Data

• Open data• Kosteloos door

overheid beschikbaargesteld

• 5900 bronnen met diverse data

• Social feeds

• Inkopen• Facebook• Meerdere partijen die

dit aanbieden

• Data op basis van eigendatawarehouses

• CRM Data• Polis Data• Betalingsdata

33

CBS tijdens Cross Media Café 2013

5900 bronnen

34

Wanneer is Facebook data te koop?

35

Welke data gebruiken?

36

Meerdere basisgedachten

Bron Decision Management Solutions

Kennis – Beschrijvend Actie - Voorschrijvend

Hoe kan ik klant data gebruiken? Wat heeft

heeft er in het verledenallemaal

plaatsgevonden?

Hoe zit mijn klantportfolio in elkaar? Hoe kan ik data omvormen

naar “kennis” om beterebeslissingen te nemen?

Hoe gaan mijn klantenzich mogelijk gedragenin de toekomst? Hoe

zullen ze gaan reagerenop mijn benaderingen?

37

38

39

40

41

TWEE STAPPEN

42

Signaleren – Voorspellen - Voorkomen

KANS ACTIE

43

KANS ACTIE

PeergroupActies

PressieActies

AdviesActies

Real-Time, Device Onafhankelijk, Visueel & Transparant

Signaleren – Voorspellen - Voorkomen

Voorbeeld dashboard

Voorbeeld dashboard

Algemene informatie

Kans op betalingsachterstand in de komende drie maanden

Te nemen actie om de kans te verlagen

Trend tov vorige meting

46

UitnodigingRondetafelsessie

predictive technology voor preventief achterstandenbeheer

19 November 2013

47

Accepteer dat klantinformatieniet compleet of betrouwbaar is,

en laat je hier niet door tegenhouden.

48

Maak een plan om de zwijgende meerderheid in

kaart te brengen.

49

Neem gericht en proactief actiedie laagdrempelig en in het

belang van de klant is.

DANK!Mark Mastop

Everest

m.mastop@everest.nl

+31629525232

@markmastop

51