Avslår ni av ti låneforespørsler: Nå utvikler Fundingpartner ny kredittmodell
Det kan gi flere tech-selskaper mulighet til å få låne penger til lavere rente.
Publisert
Sist oppdatert
Av de lånebaserte folkefinansieringsselskapene er Fundingpartner det som satser klart mest på lån til selskaper utenfor eiendomsmarkedet.
– Vi ønsker å gjøre flere lån til nye tech-selskaper. Utfordringen er hvordan man regner ut sannsynligheten for mislighold for et selskap det finnes begrenset med informasjon om. Det er jo derfor bankene stort sett sier nei til denne typen selskaper, sier Geir Atle Bore, daglig leder i Fundingpartner.
Fikk ni mill. fra Forskningsrådet
For å lykkes med satsingen på usikrede og folkefinansierte lån til tech-selskaper i vekst, trengs med andre ord bedre kredittmodeller.
– Dette er noe vi har snakket om i flere år, men i fjor under korona tok vi oss sammen og søkte penger hos Forskningsrådet, sier Bore
Det ga full uttelling. Fundingpartner ble tildelt 9,1 millioner kroner for å utvikle en ny og bedre kredittmodell for små og mellomstore bedrifter. At søknaden ble gjort sammen med Norsk Regnesentral er Bore ekstra stolt over.
– At vi får mulighet til å jobbe sammen med dem, gjør jo satsingen enda mer spennende. De har jo jobbet med kredittmodeller for flere av de største bankene i Norge, og har flere eksperter på maskinlæringssystemer, sier Bore.
Samler informasjon nesten i realtid
Det siste er ikke minst viktig i sammenhengen. Maskinlæring er helt sentralt for å kunne gjøre stadige forbedringer av modellen. Et annet viktig forhold er at det er blitt mulig å automatisere informasjonsuthenting fra stadig flere kilder.
I stedet for å bruke dager på å sammenstille informasjon, kan det gjøres med et søk. Et eksempel kan være domstolsinfo. Dukker navnet til en lånesøker plutselig opp i en rettsak, er det viktig informasjon som kan avgjøre om det bli ja eller nei.
Et annet er PSD2-direktivet. Etter å ha fått fullmakt fra låntakeren, kan Fundingpartner nå gå inn og hente kontoutskrifter og se nøyaktig hvilke beløp som går inn og ut av bedriften.
– Når vi kan kjøre slik oppdatert informasjon i modellen og gjøre det over tid, slik at vi får lagt til mer data, flere variabler og flere caser, vil det gi en mer presis kredittvurdering, sier Bore.
Raskere prosess og flere lån
Det fører til to ting. Det ene er at prosessen vil gå raskere, og spare tid og kostnader for selskapet.
– Den store effekten er at vi kan tørre å gjennomføre flere lån, sier Bore og fortsetter:
- I dag sier vi nei til ni av ti forespørsler om lån. Det er helt enkelt for vanskelig å beregne risikoen i mange selskaper.
- Kan vi ta flere riktige beslutninger, vil det bidra til at vi også kan ta ned rentenivået på lånene. Noen mener jo at vi har før høy rente på lavrisikolån i dag. Det kan nok stemme i noen caser, men vi må også ta høyde for mislighold, legger han til.
Arbeidet ned å lage en ny modell er godt i gang. I januar begynte en ny «data scientist» i selskapet, som skal jobbe dedikert med kredittmodellen. Ifølge Bore, er det å lage en første versjon av en ny modell ikke særlig vanskelig. Utfordringen er å bestemme når modellen er god nok.
- Resultatene er veldig lovende. Foreløpig er ikke en ny modell på plass i de daglige rutinene, men vi regner med at det kommer i løpet av 2021, sier Bore