Slimmere leadprioritering met machine learning voor een financieringsmaatschappij

Een innovatieve financieringsmaatschappij verwerkt dagelijks honderden financieringsaanvragen via verschillende kanalen en tussenpersonen. Om sneller inzicht te krijgen in de kwaliteit van nieuwe aanvragen ontwikkelde BI-Xperts een machine learning oplossing waarmee aanvragen automatisch worden gescoord op kans van slagen en slimmer kunnen worden geprioriteerd.

Van aanvraag naar voorspelbare conversie

Een landelijke financierings- en leasemaatschappij verwerkt dagelijks honderden aanvragen voor onder andere auto’s, verbouwingen en consumentenkredieten. Om sneller inzicht te krijgen in de kwaliteit van nieuwe aanvragen ontwikkelde BI-Xperts een voorspellend machine learning model dat helpt bepalen welke aanvragen de grootste kans hebben om daadwerkelijk een contract te worden.

De organisatie ontving dagelijks een grote hoeveelheid financieringsaanvragen via verschillende kanalen en tussenpersonen. Hoewel veel aanvragen binnenkwamen, leidde slechts een deel uiteindelijk tot een succesvol contract. Hierdoor ontstond de behoefte om eerder in het proces beter onderscheid te maken tussen aanvragen met een hoge kans op conversie en aanvragen met een lagere slagingskans.

Met een datagedreven aanpak wilde de organisatie commerciële kansen sneller herkennen, medewerkers gerichter laten prioriteren en meer rendement halen uit de beschikbare capaciteit binnen de operatie.

Slimmere leadprioritering met machine learning voor een financieringsmaatschappij

Scope / uitdaging

De uitdaging lag in het ontwikkelen van een betrouwbaar voorspellend model dat dagelijks grote hoeveelheden aanvragen automatisch kan beoordelen. Hiervoor hebben we historische aanvraagdata gecombineerd en verrijkt tot één analysemodel met tientallen kenmerken per aanvraag.

Het model voorspelt per aanvraag een score tussen 0 en 1, waarbij een hogere score betekent dat de kans groter is dat de aanvraag uiteindelijk resulteert in een contract. Hiervoor zijn meer dan 25 factoren meegenomen die al tijdens het aanvraagproces beschikbaar zijn. Denk aan het aangevraagde bedrag, het type financiering, de bron van de aanvraag, regio, tijdstip van binnenkomst, tussenpersoon, doel van de financiering en historische prestaties van vergelijkbare aanvragen.

Tijdens de ontwikkeling zijn verschillende machine learning technieken onderzocht en getest. Zo zijn onder andere lineaire regressie, Random Forest, XGBoost en LightGBM toegepast en met elkaar vergeleken op nauwkeurigheid, stabiliteit en uitlegbaarheid van de voorspellingen. Daarnaast hebben we uitgebreid gewerkt aan feature engineering, het optimaliseren van modelparameters en het voorkomen van overfitting, zodat het model ook in de praktijk consistent blijft presteren op nieuwe aanvragen.

Een extra uitdaging was de balans tussen voorspellende kracht en praktische toepasbaarheid. De organisatie wilde niet alleen een accuraat model, maar vooral een model dat operationeel direct bruikbaar is voor acceptatie- en salesteams.

Rapportages

De voorspellingen uit het machine learning model worden dagelijks verwerkt in overzichtelijke Power BI-rapportages. Medewerkers krijgen hiermee direct inzicht in welke aanvragen de hoogste kans hebben om succesvol omgezet te worden naar een contract.

Binnen de dashboards worden aanvragen automatisch gerangschikt op kwaliteitsscore, waardoor teams gericht prioriteit kunnen geven aan de meest kansrijke dossiers. Daarnaast bieden de rapportages inzicht in trends per bron, regio, tussenpersoon, financieringsdoel en productcategorie.

Ook management en teamleiders beschikken over stuurinformatie rondom conversieratio’s, prestaties per kanaal en de effectiviteit van opvolging. Hierdoor ontstaat niet alleen meer grip op dagelijkse operatie, maar ook inzicht in structurele verbeterkansen binnen het acceptatie- en salesproces.

Behaalde resultaat

Met de inzet van machine learning beschikt de organisatie nu dagelijks over een slimme prioritering van nieuwe financieringsaanvragen. Iedere ochtend wordt automatisch een selectie van de meest kansrijke aanvragen beschikbaar gesteld aan de operatie, zodat medewerkers direct focus kunnen aanbrengen in hun werkzaamheden.

Door deze datagedreven werkwijze kunnen teams sneller inspelen op kwalitatief sterke leads en efficiënter omgaan met beschikbare capaciteit. Dit leidt tot betere opvolging van kansrijke aanvragen, hogere conversies en meer commerciële slagkracht binnen de organisatie.

Daarnaast heeft de organisatie nu een schaalbare en toekomstbestendige basis om voorspellende analyses verder uit te breiden binnen andere onderdelen van het acceptatie- en klantproces.

Behaalde resultaat

Met de inzet van machine learning beschikt de organisatie nu dagelijks over een slimme prioritering van nieuwe financieringsaanvragen. Iedere ochtend wordt automatisch een selectie van de meest kansrijke aanvragen beschikbaar gesteld aan de operatie, zodat medewerkers direct focus kunnen aanbrengen in hun werkzaamheden.

Door deze datagedreven werkwijze kunnen teams sneller inspelen op kwalitatief sterke leads en efficiënter omgaan met beschikbare capaciteit. Dit leidt tot betere opvolging van kansrijke aanvragen, hogere conversies en meer commerciële slagkracht binnen de organisatie.

Daarnaast heeft de organisatie nu een schaalbare en toekomstbestendige basis om voorspellende analyses verder uit te breiden binnen andere onderdelen van het acceptatie- en klantproces.