VORES KREDITRISIKOMODEL

Bag den tekniske implementering af CreditReports.dk er der mennesker med lang historie inden for konkursrisikovurderinger og kreditrisikoanalyser. Efter en grundig forskning har vi været i stand til at udvikle moderne maskinlæringsmodeller, der forudsiger kreditrisiko med stor præcision og genererer letforståelige kreditvurderinger og resultater.

Kernen i kreditrisikovurderingen

For at bestemme det valgte selskabs kreditrisiko bruger vi som hoved-input i vores vurdering både finansielle oplysninger samt branche- og virksomhedskarakteristika. Vores kreditrapport præsenterer resultaterne detaljeret, men også ved hjælp af intuitive virksomhedskreditvurderinger og resultater.

Nedenfor forklares nogle af de vigtigste parametre for vores kreditrisikovurdering:

Soliditet er den vigtigste faktor. Soliditet kan f.eks. beskrives med Kapitalandelforholdet mellem egenkapital og samlet balance.
Rentabilitet er grundlaget for forretningen. Hvis en virksomhed ikke kan tjene penge, bliver det sværere at tilbagebetale sine forpligtelser. Imidlertid kan rentabiliteten svinge af naturlige årsager, så historie og tendens er også vigtig. Rentabilitet kan f.eks. beskrives med Afkast af aktiver (ROA)forholdet mellem EBIT og samlede aktiver.
Likviditet beskriver virksomhedens evne til at opfylde sine daglige forpligtelser. Det er åbenbart interessant for debitorer. Likviditet kan beskrives med Hurtigforholdforholdet mellem likvide aktiver (kontanter osv.) og kortfristede forpligtelser.
Den branche , en virksomhed opererer i, påvirker også kreditrisikoen. Nogle industrier er mere påvirket af de makroøkonomiske ændringer end andre mere defensive industrier.
Virksomhedens størrelse betyder noget: stor størrelse er typisk en indikator for tidligere succes, men vigtigere er det, at store virksomheder har bedre ressourcer til at overleve eksterne chok.

Hvorfor og hvordan vi bruger maskinindlæring

Den aktuelle model bruger maskinindlæring. For det første har vi brugt vores viden og erfaring til at vælge parametre, der bedst og omfattende korrelerer med konkurssandsynlighed. For det andet dannes og “trænes” modellen ved hjælp af maskinlæringsalgoritmer. Dette betyder, at computeren får mange historiske data om udvalgte parametre og konkurser. Ved at behandle dataene identificerer algoritmen korrelationer mellem inputvariabler (parametre) og det valgte resultat (konkurs).

En illustration af kreditrisikomodeller, der viser input, kreditvurderingsmodellen og dens output. — En illustration af kreditrisiko modeller, der viser eksempel input og output. Modellen er baseret på store mængder historiske data ved hjælp af maskinindlæringsalgoritmer.

Den anden del ovenfor, udført af maskinlæringsalgoritmer, er noget, som intet menneske kunne udføre manuelt. Desuden er algoritmen i stand til at justere vægten af parametre for hver enkelt virksomhed baseret på andre parametre. For eksempel, er vægten på likviditet meget højere for virksomheder, der taber end for dem, der er rentable. Dette er grunden til, at maskinindlæring gør, at modellen er så præcis som mulig med de tilgængelige oplysninger.

Vores modeller er udviklet i samarbejde med Valuatum, og du kan læse mere om modellerne på Valuatum webside.

Data om betalingsadfærd og standardoplysninger

Vores model er fokuseret på mellemlang til langsigtede sandsynlighed for misligholdelse, og den er baseret på de sidste par års årsregnskab. En virksomheds økonomiske situation kan dog pludselig forværres, efter at det sidste helårsregnskab er offentliggjort. Dette er sjældent, men kan ske på grund af en pludselig stor og enorm ændring, såsom konkurs hos en større leverandør eller klient, tilbagetrækning af større importleverandør eller en stor ændring af iværksætterens sundhedstilstand i en lille virksomhed.

Derfor skal betalingsadfærdsdata og standardoplysninger bruges parallelt med vores model, eller alternativt bør virksomhedens situation ellers være kendt. Data om betalingsadfærd viser, hvor mange dage virksomheden har om at betale sine fakturaer. Derfor er tilbagevendende langvarig faktureringstid normalt en indikator for betalingsvanskeligheder. Små betalingsforsinkelser fører dog ikke nødvendigvis til standardhændelser meget hurtigt. Således kan en forlængelse af betalingstider betragtes som en tidlig advarsel. Derfor er betalingsadfærdsdata mere omfattende end standardoplysninger. Disse oplysninger kan bruges til at supplere og opdatere den opfattelse af virksomheden, der er opnået fra årsregnskabet.

CreditReports.dk er i øjeblikket i en beta-fase og under udvikling. Som sådan indeholder den ikke data om betalingsadfærd. Vi leder efter muligheder for at integrere disse data i vores rapport eller partnere, hvis data vi kan sælge.