Payt

Uitdaging

Jaarlijks verwerkt Payt miljoenen facturen die naar allerlei verschillende debiteuren verstuurd worden. Het betaalgedrag per debiteur kan erg verschillen. Payt wil facturen makkelijker, effectiever en sneller betaald krijgen. Payt zoekt naar inzichten die hier aan kunnen bijdragen. Hoe ziet mijn beste debiteur eruit? Hoe ziet mijn slechtste debiteur eruit? Waarom betaalt de ene debiteur sneller dan de andere? Welke factoren zijn van invloed op het betalingsproces? Payt heeft enorm veel data van historische betalingen maar deze gegevens werden nog niet gebruikt om voorspellende inzichten mee te creëren.

Toepassing Risico Profilering

We hebben voor Payt twee dingen gedaan. We hebben eerst factoren opgesteld die van invloed zijn op een betaling. Hiermee kan Payt debiteuren en facturen categoriseren in hoge en lage risico’s. Daarnaast hebben we voor elke individuele factuur een kans op betaling berekend. Door gebruik te maken van verschillende machine learningtechnieken zoals regressiemodellen en beslisbomen hebben we historische data weten te gebruiken om voorspellingen voor de toekomst te maken.

Toegevoegde waarde voor Payt

Payt heeft nu een veel beter inzicht in de facturen waarbij een grote kans bestaat dat ze niet betaald worden. In plaats van 1% van deze facturen juist te voorspellen, kan Paytdeze facturen nu  in 40% van de gevallen juist voorspellen. Door deze facturen in een vroeg stadium te detecteren kan Payt voorkomen dat er voor 600.000 euro aan facturen niet wordt betaald.

Pijler: Data science

Trefwoorden: Data science, Risico profileringdebiteurenbeheer

Uitgevoerd voor

Payt automatiseert het debiteurenbeheer van organisaties. Dit doen ze door volledig automatisch facturen en herinneringen te sturen. Jaarlijks innen ze zo voor meer dan een miljard euro. Payt wil facturen makkelijker, effectiever en sneller betaald krijgen.

Uitgevoerd door