Kasusstudie: Hvorfor fintechs tyr til databenchmarking for å kutte kostnader (Nick Green)

Under økonomisk usikkerhet står fintechs og alle andre kredittleverandører overfor et helt annet landskap. Den reelle risikoen for globale og nasjonale resesjoner betyr at netto rentemarginer er tynne. Business as usual (BAU)-kostnadene er uvanlig høye. 

Det er vanskelig å trives i et usikkert miljø med krympende marginer, økende konkurranse og krevende forbrukere

En av de viktigste måtene fintech reduserer effekten på er å kutte kostnader, inkludert å se på: mennesker, eiendom, teknologi og eksterne tjenester.

Men i stedet for å kutte kostnader og håpe at virkningen ikke vil være skadelig, hvordan kan alle kredittleverandører ta en strategisk tilnærming til kostnadsreduksjon? 

En lite kjent rask gevinst er dine kjøpte data. 

Det er en overflod av kostnadsbesparelser å gjøre her, uten engang å måtte bytte byrå eller tape på volumer eller tilleggstjenester.

Hvordan?

Med databenchmarking. Utfordringen er at kredittleverandører ikke ofte vet at de kan slå ned mangelen på åpenhetsbarrierer med kredittbyråpriser. 

Byråene vil ikke at du skal vite at det er en måte å sammenligne andre kredittbyråers priser og tjenester, og faktisk hvor konkurransedyktige prisene dine er i forhold til konkurrenter (for samme data, fra samme leverandør).

Alt dette endres med databenchmarking.

Hvordan databenchmarking fungerer

Ved kjøp av kredittrisikodata møter alle kredittleverandører den samme betydelige barrieren: mangel på åpenhet. Det er uklart hva gjeldende priser er, og det er vanskelig å sammenligne produkter. 

Men databenchmarking gir evidensbasert innsikt inn i byrådataprising og kvalitet.

Resultatet? Når du jobber med en upartisk og upartisk kontraktør, kan du se *nøyaktig* hvor mye du bør eller kan bruke på kredittdatakjøp 👇

La oss se på et nylig virkelighetseksempel med denne store detaljbanken ...

Databenchmarking i aksjon

Utfordringen

Denne detaljbanken visste at den betalte mye for dataleverandøren sin, men uten publiserte datapriser var banken i mørket om nøyaktig hvordan den presterte. 

Hvordan databenchmarking hjalp

Gjennom omfattende databenchmarking-analyse kunne de se nøyaktig hvordan bankens dataprising målt seg opp mot andre bank- og finanskonsern for samme fotavtrykk av tjenester. 

I hovedsak ga databenchmarkingen robust innsikt som informerte detaljbankens forhandlingsstrategi og tilnærming: 

• Gjør det mulig for banken å få en rettferdig markedspris for hvert datasett – slik at de ikke var i en strategisk ulempe når de markedsfører og tar med nye kunder.

• Forbedrede kostnadsbesparelser ved å sammenligne dataforbruk med lignende organisasjoner for å oppnå ca. 40 % kostnadsbesparelser.

• Løste kontraktspørsmål ved å forstå hvordan andre selskaper integrerer fleksibilitet i kontrakter fra starten. 

• Og støttet innkjøp ved å samarbeide med en ekstern partner, noe som sparte banken for verdifull tid og ressurser og muliggjorde mer informert beslutningstaking. 

Resultatene

• Databenchmarking fremhevet at bankens dataprisen ble oppblåst med det dobbelte i enkelte områder.

• Med denne innsikten var banken i en sterk posisjon til å be om tilbakedatert, lavere priser for å få tilbake kostnadene. 

I sammendraget

I dag er mange datakontrakter forankret til hvordan byråene alltid har gjort forretninger – og tjener ofte behovene til byrået mer enn kredittleverandøren. 

Fintechs må snu denne dynamikken og gjøre pristransparens til utgangspunktet for prosessforbedring. 

For å gjøre det, må de forstå hva konkurrenter betaler for tilgang til de samme dataene, og hvordan fleksibilitet kan bygges inn i kontrakter. I stedet for et stort kostnadssenter, vil fremtidens kredittdata være en driver for innovasjon og kundetilfredshet.