Credit scoring | Advanon | Schweiz

Om klienten

Advanon är en ledande online factoring leverantör i Schweiz. På Advanon utvecklade vi flera versioner på deras kreditmodeller och tekniken som stödjer det operativa arbetet med att tillämpa dessa i affärsprocesserna.

Se projektet live
Kategori
Projekt
Klient
Advanon
Startdatum

Advanon är en av de ledande aktörerna inom fakturaköp online i Schweiz och ser till att små och medelstora företag får tillgång till den finansiering de behöver. Företaget tog in mer än 120 miljoner SEK från Venture Capital investerare och förvärvades senare i en strategisk transaktion. Vi var involverade i utvecklingen av deras plattform under de första tre åren, vilket involverade allt från att bygga den ursprungliga versionen av plattformen och ett kredithanteringssystem, till att utveckla den till en skalbar plattform och slutligen innovativ forskning för framtidens kreditmodeller.

Version 1: the MVP

Det var viktigt för grundarteamet som bestod av 3 ex-Googlers att få en produkt lanserad som de skulle börja testa med riktiga kunder, då de under samma period höll på att resa kapital från några av Schweiz top-rankade VCs. Därför var målet att lansera en Minimum Viable Product så snabbt som möjligt för att kunna ha något att visa upp för investerarna och för att börja samla in initial feedback från kunder.

Utvecklingen av den första versionen av Advanons Credit Management System var en balansakt mellan hur mycket data som kunden skulle fylla i och hur mycket som kunde läggas till manuellt av kredithandläggarna i bakgrunden. Att bygga avancerade API integrationer fanns inte på kartan eftersom att kunderna bara brydde sig om att få tillgång till den finansieringen deras företag behövde. Den ursprungliga plattformen byggdes på Ruby on Rails och den första kreditscoring modellen gjordes i Excel. Ja, du läste rätt, ett kalkylblad i Excel. Varför det kan man fråga sig? Det fanns helt enkelt ingen tid att bygga något mer skalbart. Dessutom, eftersom iterationerna var många i början, var det bara lättare att göra det i ett format som gjorde det möjligt för en större del av teamet att arbeta med modellen. Eftersom det inte fanns några data att basera modellen på så fick den initialt vara expertbaserad. För att säkerställa att den expertbaserade modellen gjordes ordentligt, togs det in en rådgivare med +20 års erfarenhet av kreditrisk från trade financing (Glencore & Goldman Sachs) och utvecklingsfinansiering (Europeiska utvecklingsbanken) för att stödja upp i projektet.

Eftersom företaget snabbt fick en stark tillväxt så växtes den ursprungliga versionen snabbt ur och ett mer skalbart system behövdes komma på plats.

Version 2: the scale-up

Nästa fas var att bygga en modell och ett system som kunde skalas upp för att finansiera tusentals fakturor per dag. Eftersom en ordentlig bredd av datapunkter hade samlats in från många kunder vid denna tid, så kunde modellen baseras på faktisk data. För att görra detta, och för att säkerställa ytterligare kompetens så rekryterades en Senior Data Scientist från Risk Solution Network - organisationen som bygger kreditmodeller för flera av de schweiziska bankerna. I grova drag gjordes strukturen i tre steg: 1) En trafikljusklassificering som avgjorde om de datapunkter som lämnats var rimliga och om de kune appliceras i modellen eller om de behövdes granskas manuellt, 2) ett segmenterings-steg som satte kunden i rätt segment av företag, och 3) en modell, vilken anpassade bedömningen beroende på vilket segment bolaget befann sig i.

För att göra det hela skalbart behövdes ett gediget system byggas för att hantera den löpande verksamheten. Detta system innebar allt från API-anslutningar till byråer som tillhandahöll kreditdata samt till redovisningssystem för att samla in data, PDF-scraping verktyg för att på ett effektivt sätt kunna hantera resultaträkningar och balansräkningar som laddades upp, ett credit management system, ett transaktionssystem för Schweiz, ett system som möjliggör öppnande av bankkonton hos Wirecard Bank (liknande det som N26 startade med), etc. Arbetet var minst sagt massivt och utmanande, men mycket givande för teamet som deltog! 

Version 3: innovation för framtiden

Vid sidan av att bygga ett skalbart system började vi experimentera med innovativ teknik för att skapa en modell som skulle kunna bli en långsiktig konkurrensfördel. Grunden för detta hade redan lagts när MVP:n byggdes genom att säkerställa att en solid databas med en mängd olika datapunkter insamlades från början.

Denna del gjordes i samarbete med några av Schweiz ledande forskningsinstitut, ETH och HSLU. Arbetet fokuserades på att tillämpa maskininlärningsmodeller för att förbättra standard förutsägelsen. Teknikerna som användes var en övertoningsträd-boostad tobit-modell. Om du är intresserad kan du läsa den vetenskapliga uppsatsen som produceras här.

Att arbeta med Advanon var en fantastisk upplevelse och vi är glada att vi fick se utvecklingen från en minsta livskraftig produkt till en lösning som utforskar framkanten av vad teknik kan göra.

Hur vi arbetar

Läs mer om vår kreativa process

Kontakta oss

Låt oss skapa något bra tillsammans