Data-analyse om te voorkomen dat klanten financiële problemen krijgen

‘Rabobank is in Nederland marktleider in hypotheken; hypotheekklanten zijn dan ook enorm belangrijk voor de bank. Als veel van deze klanten hun hypotheek niet meer kunnen betalen, kan de bank zelf ook in financiële problemen komen. Daarom zijn we verplicht een reserve aan te houden; het ‘kapitaalkussen’. Als data-analisten berekenen wij met het Residential Mortgage Model hoe hoog die buffer moet zijn. Dat model is door Rabobank ontwikkeld op basis van Europese wetgeving.’

Early warning

‘We gebruiken het Residential Mortgage Model ook om te ontdekken of en wanneer hypotheekklanten in financiële problemen kunnen komen. Dat is een minstens zo belangrijke functie van het model. Na een early warning signal kan de bank contact opnemen met een klant om samen de situatie door te spreken. Hoe eerder dit signaal komt, hoe groter de kans dat de bank kan helpen om de problemen te voorkomen. Bijvoorbeeld door betalingen tijdelijk op te schorten of een budgetcoach in te schakelen. Fantastisch toch, dat we klanten zo kunnen helpen vanuit de data?’

Trucjes

‘Op dit moment werken we aan de herontwikkeling van het hypothekenmodel. Enerzijds gaat het daarbij om een efficiëntere manier van coderen, van analyses maken, zodat we de server minder belasten en de inrichting van ons datawarehouse verbeteren. Anderzijds denken we na over verbeteringen die eventuele problemen bij hypotheekklanten nog beter en eerder kunnen voorspellen. We lossen deze analytische vraagstukken op met behulp van code. Ik ben er soms van onder de indruk hoe collega’s met hulp van trucjes antwoorden vinden op een heel technisch vraagstuk.’

Zelf kiezen

‘Als data-analist kun je zelf aangeven aan welke onderdelen van het traject je wilt werken. Sommigen kiezen er bijvoorbeeld voor om puur met data-analyse bezig te zijn. Zelf vind ik het leuk om aan alles mee te werken, tot en met het bespreken van de aanpassingen bij de Nederlandse en Europese centrale banken. Ik houd van de veelzijdigheid. Als ik te lang met eenzelfde analyse bezig ben, verlies ik mijn focus. Maar ik het vind het zeker ook heerlijk om een muziekje op te zetten en me even helemaal te storten op codeer- of analysewerk.’

Miljarden data

‘Als je je tanden graag in het analyseren van data zet, zoals ik, is werken bij de Rabobank een feest. Alleen al bij hypotheken werken we met miljarden data. Klantdata als locatie, koopprijs, oorspronkelijk hypotheekbedrag, aflossing, restbedrag, betaalgedrag, noem maar op. Plus veel externe data over bijvoorbeeld de economie. We brengen al die data samen in brontabellen, die we filteren en comprimeren tot datasets. Ook dáárvan hebben we er miljoenen.’

Verbeterinitiatieven

‘Veel data vragen om veel experts: in ons team werken zo’n 80 mensen uit binnen- en buitenland. We werken veel samen in projecten, daarnaast lopen er diverse verbetertrajecten. Die initiëren we als data-analisten zelf. Denk aan het bouwen van slimmere dashboards, het opzetten van een beter data quality framework of het efficiënter uitwisselen van kennis tussen teams. Dankzij zo’n verbeterproject werken we nu met een nieuwe tool. Voorheen konden we als data-analisten niet met elkaar meekijken als we codeertalen als SQL en Python gebruikten. Nu zien we live wat anderen doen en kunnen we online in elkaars scripts werken. Dat maakt de onderlinge samenwerking weer een stuk soepeler.’

Helemaal gaar

‘Of je meedoet in verbeterprojecten of werkgroepen, bepaal je zelf. Ik voel me nooit gepusht om per se mee te denken, ik vind het gewoon leuk om te doen. Zelf doe ik mee in werkgroepen voor opslag van standaarddocumentatie en voor werving van loss-specialisten, experts op het gebied van het omgaan met verliezen. Dit soort activiteiten geven extra dynamiek aan mijn werk. Soms ben ik aan het einde van een dag helemaal gaar. Dan pak ik lekker nog een stuk code op die ik voor een verbeterinitiatief binnen de afdeling aan het schrijven ben.’