Togather

Togather Finance is een snelgroeiende organisatie die ondernemers ondersteunt door middel van een alternatieve financieringsvorm genaamd: Factoring. Bij Factoring worden openstaande facturen direct uitbetaald, waardoor werkkapitaal verbetert en ambities sneller waar gemaakt kunnen worden. De werkwijze van Togather wijkt iets af van de traditionele manier wat ervoor zorgt dat je bij Togather geen betalingsrisico loopt, geen administratieve rompslomp hebt en zelf in contact blijft met je eigen klant. Togather blijft onzichtbaar op de achtergrond om de liquiditeit te bewaken.

Data Science Lab ondersteunt en adviseert Togather over alles op het gebied van data. Dit gebeurt door middel van het uitvoeren van een quickscan op de beschikbare data en het vaststellen van de datagedreven doelstellingen. Vervolgens worden deze doelstellingen omgezet tot goed gedefinieerde projecten en uitgevoerd. Een aantal voorbeelden van deze projecten zijn: dashboarding, KPI ontwikkeling, cashflow voorspellingen, klantsegmentaties en risico analyses.

VERGELDEN MET DATA.

Voor Togather is het belangrijk om beter te weten hoe de financiële situatie van hun klanten is. Ze kunnen hun klanten dan beter ondersteunen. Daarnaast kunnen risico’s verminderd worden en kan op het juiste moment passende financiële steun geboden worden. Om risico’s in te kunnen schatten is het nodig om een beeld van de toekomst te krijgen. Het verkrijgen van inzicht in de cashflow van de klant is een van de dingen die hierbij kan helpen. Wordt er winst gemaakt en is de klant financieel gezond of is er een negatieve trend te zien en zou het kunnen zijn dat de klant in de nabije toekomst in de problemen gaat komen of een speciale vorm van ondersteuning nodig gaat hebben? Vragen als deze kunnen mede beantwoord worden met een prognose van de cashflow. 

PROBLEEM

RESULTAAT

Voor elk van de klanten met voldoende beschikbare data wordt dagelijks automatisch een model getraind en geoptimaliseerd om tot een cashflow prognose te komen voor de komende 90 dagen. Hoe goed deze prognose is is erg klant afhankelijk. Sommige klanten zijn erg goed te voorspellen en sommige klanten minder goed. Dit kan onder andere verklaard worden door de kwaliteit van de data en de hoeveelheid aan data die per klant beschikbaar is. 

Voor nu is deze functionaliteit alleen beschikbaar voor verschillende afdelingen binnen Togather, maar het doel is om de prognoses in de toekomst ook aan de klanten aan te bieden als extra informatie. 

Voor het aanpakken van dit probleem is er gebruik gemaakt van verschillende technieken. Het probleem bestaat uit meerdere aspecten die los op zichzelf staan maar die wel gecombineerd moeten worden om tot een goede oplossing te komen. 

Ten eerste, het algoritme voor het maken van de voorspellingen. Het gaat hier om tijdserie data. Voor het maken van een voorspelling aan de hand van dit soort data zijn verschillende technieken en modellen beschikbaar. Er zijn de traditionele modellen zoals ARMA en ARIMA modellen, maar ook de nieuwere technieken zoals neurale netwerken en Facebook Prophet. Deze laatste is gebruikt voor dit project. Prophet maakt het gebruik van trends erg simpel en wanneer je het over transactie data hebt verwacht je hier duidelijke trends in te zien (bijvoorbeeld een maandelijkse trend voor het betalen van salarissen). Verder kunnen extra regressors toegevoegd worden aan het Prophet model. Deze regressors geven de mogelijkheid om extra factoren mee te nemen en kunnen dus erg handig zijn. Een klassiek voorbeeld van een regressor is bijvoorbeeld de weersvoorspellingen wanneer je het aantal gehuurde fietsen per dag wilt voorspellen. 

Het tweede belangrijke aspect is het feit dat alles geautomatiseerd moet zijn op het moment dat er naar productie wordt gegaan. Dit is belangrijk omdat we voor elke klant een persoonlijk model maken voor het voorspellen van de cashflow. Het is niet wenselijk om voor elke klant handmatig de parameter optimalisatie te gaan doen. Wanneer daar wel voor gekozen was zou dat betekenen dat voor elke nieuwe klant het optimalisatie proces gedaan moet worden. Om de performance zoveel mogelijk te optimaliseren is er gebruik gemaakt van een random search over de verschillende parameters van het model. Voor elke parameter configuratie wordt bijgehouden hoe het model presteert en de configuratie met de beste performance wordt gebruikt om de eind voorspelling te maken. 

Omdat het over transactie data gaat kan het zijn dat er elke dag nieuwe data beschikbaar komt. Om deze nieuwe informatie zo snel mogelijk mee te nemen worden de modellen elke dag opnieuw getraind.

AANPAK

Gerelateerd artikel

Financial services

| Data for Good | No Comments
In today’s society every day enormous amounts of (big) data are generated and stored and these data can contain a…