Sociale media zoals Twitter, Facebook en LinkedIn zijn niet meer weg te denken uit onze samenleving. Het aantal gebruikers wereldwijd groeit en daarmee ook de informatie die wordt gedeeld. Zijn deze online bronnen bruikbaar als (extra) instrument bij kredietwaardigheidsanalyse?

 

 

Bij het toekennen van kredieten wordt normaal gesproken een al dan niet uitgebreide analyse gemaakt van de kredietwaardigheid van de aanvrager. Dat gebeurt in de banksector, maar evenzeer in een B2B-context als het gaat over het toekennen van betalingsuitstel aan klanten. In eerste instantie wordt daarbij de financiële gezondheid van de onderneming onderzocht. Dat is ook de meest voor de hand liggende benadering. Er zijn inderdaad heel wat financiële gegevens beschikbaar en – alvast in België – gratis te raadplegen in de Balanscentrale van de Nationale bank. Deze informatie is echter slechts met een zekere vertraging beschikbaar, en de financiële rapporten bevatten niet alle relevante informatie. Vandaar dat er voortdurend gezocht wordt naar bijkomende bronnen van informatie die dat beeld vervolledigen of verfijnen.

De Duitse onderzoeker Aaron Mengelkamp heeft in zijn doctoraatsonderzoek een analyse gemaakt van de mogelijkheden om de kredietwaardigheidsanalyse aan te vullen – en te verbeteren – met gegevens uit de traditionele media – vooral kranten dus – en van sociale media. Dit werd onderzocht voor een vrij spectaculair geval in Duitsland: het faillissement van Schlecker, een keten van drogisterijwinkels.

Schlecker
In 1975 opgericht door Anton Schlecker. Meer dan 14.000 winkels-drogisterijen, vooral in Duitsland en Oostenrijk. In Nederland tot 260 vestigingen. Na meerdere verliesjaren en eerdere sluitingsgolven werden de laatste 100 Nederlandse winkels gesloten in 2010. De groep telde ooit meer dan 50.000 werknemers. Het faillissement werd uitgesproken in januari 2012; het grootste faillissement ooit in Duitsland. De oprichter werd aangeklaagd voor fraude en kreeg in 2017 voorwaardelijk, zijn twee kinderen kregen effectieve gevangenisstraffen voor bedrieglijk faillissement. Het beroep loopt nog.

Gegevens
Verwijzingen naar Schlecker werden dus verzameld in krantenartikelen en in tweets voor de periode januari 2010 tot het faillissement in januari 2012. De krantenartikelen over Schlecker werden verzameld uit de online versie van de vier belangrijkste Duitse kranten. In de onderzochte periode werden op die manier 262 artikelen gevonden. Onderzoek op Twitter zorgde voor 7.307 Duitstalige tweets met het woord Schlecker.

Een eerste analyse heeft betrekking op het aantal meldingen per maand. Er werden een aantal gebeurtenissen geïdentificeerd die tot een hoger aantal meldingen leidden. Die zijn echter niet dezelfde voor beide media.
Voor de kranten traden extra meldingen op in de volgende maanden:
• Januari 2010: een probleem met bewaking van medewerkers.
• Mei 2010: uitbreiding van het assortiment met farmaceutische producten.
• Augustus 2010: hacking van de database met klantengegevens.
• December 2011: aankondiging van de sluiting van een aantal verkooppunten.

Het aantal tweets vertoonde vergelijkbare verhogingen in augustus 2010 en december 2011. Daarnaast waren er ook opmerkelijk meer tweets in 2011 in juni, augustus en oktober naar aanleiding van een door sommige klanten als ongepast ervaren reclamecampagne. Als reactie voerde Schlecker aan dat de campagne gericht was op de doelgroep van lager opgeleiden. Dit zorgde dan voor een nieuwe golf van negatieve tweets.

Omdat Twitter in Duitsland slechts vanaf begin 2010 echt van de grond kwam, zijn de kleinere pieken in januari en mei 2010 wellicht daaraan toe te schrijven. Dus wel opmerkelijk is dat sommige gebeurtenissen in beide media tot merkbare verhogingen leidden, maar dat er daarnaast gebeurtenissen optreden die enkel op Twitter voor verhogingen gezorgd hebben.

Inhoud meldingen
Naast de frequentie van de meldingen is uiteraard ook de inhoud zeer belangrijk. Gaat het om neutrale zakelijke mededelingen, of zijn het veeleer positieve of negatieve boodschappen? Dat is in dit geval niet enkel het meest vernieuwende, maar ook het moeilijkst te bepalen element. Er zijn echter de jongste jaren meer en meer algoritmes ontwikkeld die toelaten aan de hand van een tekstanalyse in combinatie met een aantal trefwoorden de tekst als overwegend positief of negatief te klasseren. De eenvoudige classificatie op basis van de aanwezigheid van bepaalde woorden, is intussen vervangen door machine learning systemen, die dus zelflerend zijn. De daarmee berekende classificatie geeft intussen een correcte classificatie die 90% haalt. De daarmee bepaalde stemmingsindicator wordt per maand berekend voor de meldingen van de betreffende maand. In dit geval werd aan de meldingen een waarde toegekend gaande van -2 voor sterk negatieve tot +2 voor sterk positieve berichten.

Ook hier wordt dan vergeleken hoe deze scores verlopen voor de krantenartikelen en voor de tweets. Hierbij worden interessante vaststellingen gemaakt. In een aantal maanden zijn de scores voor de twee bronnen gelijklopend. Maar er zijn ook maanden waarin slechts één van beide bronnen sterk reageert. Kranten geven positieve berichten over een akkoord met vakbonden, terwijl Twitter in dezelfde periode negatief bericht over klantenverlies. Een concurrent die Schlecker als grootste drogisterijketen bijgehaald heeft, zorgt voor sterk negatieve reacties in de kranten, terwijl Twitter niet reageert. Maar alles bij elkaar zijn er slechts weinig periodes, en dus gebeurtenissen, gevonden waar er in slechts één van de twee groepen een reactie kan vastgesteld worden, zij het dat de intensiteit wel kan verschillen. Toch was er één signaal dat enkel op Twitter verscheen. Het ging hierbij om het opzeggen van contracten van bepaalde leveranciers. Een feit dat moeilijker door kranten kan worden opgevangen en bevestigd, maar dat op sociale media blijkbaar wel snel naar voren komt. Wellicht gebaseerd op interne informatie bij klant of leverancier – of van klanten die hun vertrouwde merk niet meer terugvinden.

Reactietijd
In een laatste stap wordt ook de inhoud van de boodschappen onderzocht. Men probeert in het onderzoek te weten te komen over welk onderwerp de positieve of vooral de negatieve meldingen handelen. Bij een manuele verwerking kan dat probleemloos, maar de tijdsinvestering is te groot om het praktisch uitvoerbaar te houden. Maar ook hier kan dan beroep gedaan worden op machine learning systemen die deze taak met behoorlijk succes kunnen uitvoeren.

En daar blijkt een interessant en belangrijk voordeel voor de sociale media. Voor sommige gebeurtenissen waren kranten en Twitter ongeveer op hetzelfde moment op de hoogte, maar van een aantal andere gebeurtenissen bleek Twitter veel vroeger melding te maken. Dat heeft niet alleen te maken met het vroeger beschikbaar hebben van bepaalde informatie, maar ook met de mindere kwaliteitsvereisten voor een tweet. Een krant kan zich niet permitteren ongecontroleerde geruchten te publiceren, iets waar Twitteraars minder last van hebben (we kennen beroemde voorbeelden hiervan!). Dus wat betreft de reactietijd en tijdigheid van de meldingen zijn de sociale media duidelijk in het voordeel. Maar elke medaille heeft een keerzijde: Twitter is uiteraard ook veel gevoeliger voor valse meldingen, bewuste of onbewuste. Een grote zorgvuldigheid is dus nodig bij gebruik ervan, waar ook hier reeds algoritmes bestaan die toelaten flagrante gevallen van valse informatie uit te filteren.

Tot besluit
Alles bij elkaar kunnen we alleen maar vaststellen dat sociale media op bepaalde feiten sneller en diepgaander reageren dan kranten. Waarbij beide bronnen hoe dan ook veel eerder kunnen reageren dan de financiële informatie die met een stevige tijdsverschuiving beschikbaar komt. Zeker de moeite om te overwegen als bijkomende bron van informatie over de gezondheidstoestand van een onderneming.

 

Ludo Theunissen is voorzitter van het Instituut voor Credit Management

Shares