Aankoop van ongedekte schuld: hoe data leidt tot portefeuillewaardering.

Op het eerste gezicht lijkt het datapakket weinig bijzonder: een lange Excel-lijst met miljoenen datapunten. Elke regel vertegenwoordigt een openstaande vordering van een debiteur met betalingsachterstand. Voor Malte Janzen begint hier de analyse – een analyse die kan leiden tot investeringsbeslissingen ter waarde van miljoenen.

Sinds 2025 is hij verantwoordelijk voor de afdeling Unsecured Investments bij EOS. Samen met een team van krediet- en data-analisten beoordeelt hij portefeuilles die door banken in heel Europa worden aangeboden. Zijn expertise ligt in investeringen: hij promoveerde op investeringsbesluitvorming en werkte daarna in M&A-consultancy en bij een in Hamburg gevestigde onderneming.

„We analyseren de portefeuille en ontwikkelen een businessplan. Op basis daarvan doen we een aanbeveling voor de aankoopprijs aan het bestuur van EOS“, legt Malte uit. EOS beoordeelt jaarlijks tussen de 500 en 600 portefeuilles in meer dan 20 Europese landen.

Het proces begint wanneer een bank een portefeuille te koop aanbiedt. De nationale entiteiten van EOS ontvangen geanonimiseerde data en voeren een gedetailleerde analyse uit.

Ook de context speelt een rol: hoe lang staat de vordering open, welke stappen zijn al genomen en hoe ziet de klantstructuur eruit? „Als we de verkoper kennen, kunnen we de kwaliteit beter inschatten.“

Gezien de enorme hoeveelheid data is het onmogelijk om elke afzonderlijke vordering handmatig te analyseren. „In plaats daarvan beginnen we met het identificeren van kernkenmerken en het groeperen van vorderingen“, legt Malte uit. Hiervoor worden wiskundige en statistische methoden gebruikt, evenals machine learning-modellen.

Op basis van uitgebreide historische data simuleren deze modellen hoe verschillende groepen vorderingen zich waarschijnlijk in de loop van de tijd zullen presteren.

Ook aanvullende factoren worden meegenomen in de analyse, zoals veranderingen in de regelgeving of macro-economische trends. „Met onze modellen kunnen we een breed scala aan scenario’s in kaart brengen. Dit helpt ons te bepalen welke factoren de grootste invloed hebben op de portefeuille en waar we later in het proces op moeten letten.“

Toch kunnen zelfs de meest geavanceerde modellen de expertise van mensen niet vervangen. Net als Malte beschikken zijn teamleden over jarenlange ervaring in krediet- en data-analyse. Daarnaast werken zij nauw samen met collega’s uit de nationale organisaties. „Zij hebben diepgaande kennis van de lokale markten en kunnen trends beter in context plaatsen.“

Als de investeringsbeslissing positief is, stopt de analyse niet. De werkelijke prestaties van de portefeuille worden continu gemonitord en vergeleken met de oorspronkelijke prognose. Als er afwijkingen optreden, worden de oorzaken onderzocht. „Deze inzichten verwerken we direct in onze analysetools, waardoor we ons waarderingsproces voortdurend kunnen verbeteren.“