Casestudy: waarom fintechs zich wenden tot databenchmarking om kosten te besparen (Nick Green)

Tijdens economische onzekerheid worden fintechs en alle andere kredietverstrekkers geconfronteerd met een heel ander landschap. Het reële risico van wereldwijde en nationale recessies betekent dat de nettorentemarges flinterdun zijn. Business as usual (BAU) kosten zijn ongewoon hoog. 

Uiteindelijk gedijen in een onzekere omgeving met krimpende marges, toenemende concurrentie en veeleisende consumenten is moeilijk

Een van de belangrijkste manieren waarop fintechs de impact verminderen, is door kosten te besparen, onder meer door te kijken naar: mensen, eigendom, technologie en externe diensten.

Maar in plaats van kosten te besparen en te hopen dat de impact niet nadelig zal zijn, hoe kunnen alle kredietverstrekkers een strategische benadering van kostenreductie kiezen? 

Een weinig bekende quick win zijn uw gekochte gegevens. 

Hier valt enorm veel te besparen, zonder dat u van bureau hoeft te wisselen of volumes of aanvullende diensten hoeft te verliezen.

Hoe?

Met databenchmarking. De uitdaging is dat kredietverstrekkers niet vaak weten dat ze het gebrek aan transparantiebarrières kunnen wegnemen met prijzen van kredietbureaus. 

De bureaus willen niet dat u weet dat er een manier is om de prijzen en diensten van andere kredietbureaus te vergelijken, en in feite hoe concurrerend uw tarieven zijn in vergelijking met concurrenten (voor dezelfde gegevens, van dezelfde leverancier).

Dit verandert allemaal met databenchmarking.

Hoe gegevensbenchmarking werkt

Bij de aankoop van kredietrisicogegevens stuiten alle kredietaanbieders op dezelfde belangrijke drempel: een gebrek aan transparantie. Het is onduidelijk wat de gangbare tarieven zijn en het is moeilijk om producten te vergelijken. 

Maar gegevensbenchmarking biedt evidence-based inzicht in prijsstelling en kwaliteit van bureaugegevens.

Het resultaat? Door met een onpartijdige en onpartijdige aannemer te werken, kunt u *precies* zien hoeveel u zou moeten of kunnen uitgeven aan aankopen van kredietgegevens 👇

Laten we eens kijken naar een recent praktijkvoorbeeld met deze grote retailbank...

Gegevensbenchmarking in actie

De uitdaging

Deze retailbank wist dat ze veel betaalde voor haar dataleverancier, maar zonder gepubliceerde dataprijzen tastte de bank in het duister over hoe ze precies presteerde. 

Hoe gegevensbenchmarking heeft geholpen

Door middel van uitgebreide gegevensbenchmarkanalyses konden ze precies zien hoe de gegevensprijzen van de bank zich verhielden tot andere bancaire en financiële groepen voor dezelfde voetafdruk van diensten. 

In wezen leverde de gegevensbenchmarking robuuste inzichten op die de onderhandelingsstrategie en -aanpak van de retailbank hebben geïnformeerd: 

• De bank in staat stellen om voor elke dataset een eerlijke marktprijs te krijgen, zodat ze niet strategisch benadeeld worden bij de marketing naar en de onboarding van nieuwe klanten.

• Verbeterde kostenbesparingen door data-uitgaven te vergelijken met vergelijkbare organisaties om zo'n 40% kostenbesparingen te realiseren.

• Contractproblemen opgelost door te begrijpen hoe andere bedrijven flexibiliteit vanaf het begin in contracten inbedden. 

• En ondersteunde inkoop door samen te werken met een externe partner, wat de bank kostbare tijd en middelen bespaarde en een beter geïnformeerde besluitvorming mogelijk maakte. 

De resultaten

• Gegevensbenchmarking toonde aan dat de bank dataprijs werd dubbel opgeblazen in sommige gebieden.

• Met dit inzicht was de bank in een sterke positie om met terugwerkende kracht lagere prijzen te vragen om de kosten terug te verdienen. 

Samengevat

Tegenwoordig zijn veel datacontracten verankerd in hoe de bureaus altijd zaken hebben gedaan - en dienen ze vaak meer dan de kredietverstrekker aan de behoeften van het bureau. 

Fintechs moeten deze dynamiek omkeren en prijstransparantie tot uitgangspunt maken voor procesverbetering. 

Om dit te doen, moeten ze begrijpen wat concurrenten betalen voor toegang tot dezelfde gegevens en hoe flexibiliteit kan worden ingebed in contracten. In plaats van een grote kostenpost, zullen de kredietgegevens van de toekomst een motor zijn voor innovatie en klanttevredenheid.