Bij EOS zal de big data niet werken zonder menselijke begeleiding

Wanneer machines worden ingeschakeld, worden mensen overbodig: Niet waar, zegt de teamleiding van het EOS Analysecentrum: Ze hebben een analytisch platform gebouwd dat ingesteld is om de business op de EOS markten om te vormen en een data-aangedreven mindset te creëren in de hele organisatie.

Innovatie

Snel nadat Joachim Gröller in 2017 bij de EOS Groep kwam, zette hij zich neer om de vorm van het analysecentrum te bekijken. Zijn taak: EOS en zijn activiteiten in 25 landen helpen omvormen in een data-aangedreven bedrijf. “Om die grote sprong voorwaarts te maken, realiseerde ik me al gauw dat we eerst een stap terug moesten nemen”, zegt Göller terwijl hij in een vergaderzaal zit van een EOS-kantoor in het stadscentrum van Hamburg.

Met het hoofdkwartier in Duitsland, is EOS sterk aanwezig en kunnen ze vorderingen in Europa goed opvolgen. Landen zoals Polen, Spanje en Bosnië staan op de lijst van locaties op het continent. Maar EOS is ook actief in Rusland en aan de overkant van de Oceaan, in Canada en de VS. Dit toont de omvang van de taak aan die Göller en zijn team in het Analysecentrum (CoA) op zich nemen: Het gaat er niet enkel om, een business intelligence platform te creëren. Het gaat erom een data-aangedreven mindset te implementeren in de werkcultuur van meer dan 55 dochterondernemingen die wereldwijd zo’n 20.000 klanten bedienen, en daarbij data-aangedreven besluitnames de verspreiden en de technologie die erachter zit, te omarmen.

Joachim Göller

Een systeem ontwikkelen dat compatibel is met diverse verzameldiensten

“Bij EOS zijn we één sterke drijvende kracht achter digitalisering en dat betekent ook, data in vorm brengen en data omvormen tot informatie”, zegt de manager. “Oorspronkelijk gaat het erom toegang te hebben tot databronnen, de kwaliteit controleren en een historiek creëren.” Met de ontwikkeling van het platform, kan het analysecentrum lokale incassosystemen integreren die wereldwijd reeds geïmplementeerd zijn bij de dochterondernemingen van EOS en die analytische besluitname naar het platform loodsen: EOS units kunnen hun belangrijkste verzamelsysteem dat voorzien is voor de vereisten van hun markt, behouden - het CoA zal dit verbinden met zijn infrastructuur en de datawetenschap en datavisualisatiekracht van de hele firma erin laden en er ondertussen voor zorgen dat de privacy van elke klant veilig is door enkel geanonimiseerde data te gebruiken.

Om een beter idee te krijgen van hoe het analysecentrum werkt, helpt het om de mensen die erachter zitten, te leren kennen. Het personeel van de eenheid bestaat uit verschillende profielen: “Aan een kant zijn we steeds op zoek naar nieuw talent met een technische focus”, zegt Team Manager Patrick Witte. Datawetenschappers, softwareontwikkelaars, data-ingenieurs en platformontwerpens komen allemaal in aanmerking. Ze ontwerpen en sturen het analyseplatform, wat de kern blijft van het CoA om EOS om te vormen en te helpen om toonaangevend te blijven in de business. “Ons doel is om de meest efficiënte manier te vinden om data van de verschillende EOS landen naar het analyseplatform te verplaatsen en dat conform de privacywetgeving van de EU”, zegt Witte. “Zo kunnen we voorspellingsmodules ontwerpen, gebruik maken van artificiële intelligentie en kanalen creëren om feedback te geven aan de operationele zijde - hen op die manier een concurrentievoordeel bieden.

Think global, act local

Het analysecentrum beschikt ook over een adviserende tak die het delen van best practices met betrekking tot analyses promoot, waaronder databeveiliging en privacybescherming voor alle dochterondernemingen. “We kunnen collega’s ondersteunen om data in een deel van de wereld te analyseren en tegelijk bestaande statistische modules in een ander deel te helpen verbeteren”, zegt Witte. “Daarom werken we hand-in-hand met alle collega’s van de EOS Groep.” Hier wordt de tweede groep professionals van het CoA betrokken: Analyseconsultants en datawetenschappers, de meeste onder hen hebben een methodische achtergrond gaande van wiskunde tot economie. “Er is een ruime waaier aan vaardigheden vereist om ervoor te zorgen dat de zakelijke behoeften geïdentificeerd en opgelost worden volgens de juiste analytische aanpak”, zegt Witte.

Witte zelf behaalde zijn diploma statistieken aan de Universiteit van Dortmund en werkte later voor een internationaal bedrijf voor zakelijke analyse voordat hij in 2012 bij EOS kwam. “De nodige vaardigheden heb ik hier bij EOS opgedaan”, zegt hij. Maar er is geen voorgeschreven manier - bij het CoA-team ontmoet je mensen die je niet zou verwachten in de financiële sector: “We beschikken ook over een theoretische fysicus die verschillende jaren gewerkt heeft als consultant voordat ze bij ons kwam.”

De agile methode toepassing voor financiële diensten

Witte en zijn collega, Joachim Göller, voelen beide enorm veel energie binnen het CoA-team. “Het is echt de start-upsfeer die me hier in de eerste plaats gebracht heeft”, zegt Göller, die eerder in de banksector actief was gedurende verschillende jaren. “Het CoA is zeer “agile”, een cultureel erg divers team met zijn eigen tempo.”

Terwijl EOS zijn eigen Fintech heeft geïmplementeerd, lijkt het bedrijfsmodel van het CoA ook erg op dat van vele start-ups: Eerst een analyseplatform uit de grond krijgen, later activiteiten schalen en partners hun eigen systemen laten verbinden door het aanbieden van een API. En natuurlijk, het systeem voortdurend testen, aanleren en verbeteren door de regels van agile softwareontwikkeling te volgen. Met een groot verschil met start-ups: Het CoA-team kan aan de fintech innovatie werken zonder investeerders te moeten plezieren. Bij EOS gaat het om toewijding aan klanten op lange termijn.

Een data-aangedreven aanpak toepassen voor het volledige verzamelproces

Terwijl het wijzigingsproces reeds goed op weg is in Duitsland, met eerste cases die beheerd worden door een nieuwe software, FX genaamd, bekijkt het CoA nu om andere units te ondersteunen een gelijkaardige data-aangedreven mindset toe te passen. Göller vertrouwt erop dat succesverhalen de juiste stimulans zullen zijn voor beleidsbepalers. “Het is net zoals moderne marketing: Je moet fans hebben die het proces verder ontwikkelen”, zegt hij. “Elk geval moet resulteren in een rechtstreeks voordeel voor de klant.” Mensen eerst: De “agile” manier van werken wordt zeer vaak toegepast bij het CoA.

Bekommernissen om big data technologie die mensen en jobs zouden kunnen vervangen, zijn ongegrond, zegt Witte, “We zijn afhankelijk van specialisten om de beschikbare consumentengegevens te interpreteren en de juiste vragen te stellen opdat het data-analysesysteem kan antwoorden.”

Een manier voor het personeel van EOS om automatisch leren en artificiële intelligentie te bekijken, zou kunnen zijn om het te vergelijken met een slimme “collegaé, die hen helpt om beter geïnformeerd te zijn en hen een gepersonaliseerde beslissing helpt te maken over de volgende actie - en de rate van betaalde vorderingen te verhogen.

A project team discusses target groups around the whiteboard.
When companies develop in-house solutions, it helps to think like a start-up: Who can I convince early on with my solutions and thus get to become my ambassador within the organisation?

Persoonlijke benadering van de klant

“Het platform is veel efficiënter om data te correleren en een real-time voorspelling te maken”, zegt Witte. “In het verleden was onze besluitname misschien gebaseerd op twee of drie belangrijke gegevens over een debiteur. Maar er zijn veel meer data die ons kunnen helpen om klanten te differentiëren.” Automatisch leren maakt het ook mogelijk voor personeel om meer tijd te spenderen aan complexere zaken zoals insolventie of een juridisch incasso, terwijl duidelijke kwesties automatisch worden afgehandeld.

In Duitsland helpt een eerste versie van de data-aangedreven FX-software EOS personeel om de meest beloftevolle weg te identificeren om in dialoog te gaan met een klant. Er wordt een keuze gemaakt tussen een telefoontje, een brief, een sms en een e-mail of alternatief zegt het aan het personeel om een buitendienst te betrekken. “Als we reeds drie keer op rij met een klant gesproken hebben, kunnen algoritmes ons helpen om de balans te maken: Die persoon een vierde keer contacteren of in de plaats daarvan, hem/haar wat tijd te geven”, zegt Göller.

Big data-oplossingen werken niet zonder werknemers

Terwijl de omvorming naar een data-aangedreven business bekeken wordt om de efficiëntie te verhogen en de kansen dat schulden worden afbetaald, te verhogen, zullen volgens Göller ook klanten een redelijk voordeel ondervinden. Naast andere voordelen zal het systeem het meest geschikte moment bepalen om meldingen naar klanten te sturen. “Om ten koste van alles te vertrouwen op algoritmes, zou echter tegen onze ethische normen zijn”, zegt Göller. EOS zou bijvoorbeeld nooit toestaan dat een algoritme de geschiedenis van schulden van een lener kan bepalen op basis van hun naam. “In dat geval vertrouwen wij ten zeerste op menselijke invloed om grenzen te stellen.”

deel deze job

Druk af