Fallstudie: Varför fintechs vänder sig till databenchmarking för att minska kostnaderna (Nick Green)

Under ekonomisk osäkerhet möter fintechs och alla andra kreditgivare ett helt annat landskap. Den verkliga risken för globala och nationella recessioner gör att räntenettomarginalerna är tunna. Kostnaderna för Business as usual (BAU) är ovanligt höga. 

Att i slutändan frodas i en osäker miljö med krympande marginaler, ökad konkurrens och krävande konsumenter är tufft

Ett av de viktigaste sätten som fintech minskar effekten på är att minska kostnaderna, inklusive att titta på: människor, fastigheter, teknik och externa tjänster.

Men i stället för att minska kostnaderna och hoppas att effekten inte ska vara skadlig, hur kan alla kreditgivare ta ett strategiskt tillvägagångssätt för att minska kostnaden? 

En föga känd snabbvinst är dina köpta data. 

Det finns ett överflöd av kostnadsbesparingar att göra här, utan att ens behöva byta byrå eller gå miste om volymer eller tilläggstjänster.

Hur?

Med databenchmarking. Utmaningen är att kreditgivare inte ofta vet att de kan slå ner bristen på insynsbarriärer med kreditbyråernas prissättning. 

Byråerna vill inte att du ska veta att det finns ett sätt att jämföra andra kreditbyråers priser och tjänster, och faktiskt hur konkurrenskraftiga dina priser är i jämförelse med konkurrenter (för samma data, från samma leverantör).

Allt detta förändras med databenchmarking.

Hur databenchmarking fungerar

Vid köp av kreditriskdata möter alla kreditgivare samma betydande barriär: bristen på transparens. Det är oklart vilka priser som gäller och det är svårt att jämföra produkter. 

Men databenchmarking ger evidensbaserad insikt in i byråns dataprissättning och kvalitet.

Resultatet? Genom att arbeta med en opartisk och opartisk entreprenör kan du se *exakt* hur mycket du borde eller skulle kunna spendera på kreditupplysningsköp 👇

Låt oss titta på ett nyligen verkligt exempel med denna stora detaljhandelsbank ...

Databenchmarking i aktion

Utmaningen

Denna detaljhandelsbank visste att den betalade mycket för sin dataleverantör, men utan publicerade datapriser var banken i mörker om exakt hur den presterade. 

Hur databenchmarking hjälpte

Genom omfattande databenchmarking-analyser kunde de se exakt hur bankens dataprissättning mätte sig mot andra bank- och finanskoncerner för samma fotavtryck av tjänster. 

I grund och botten gav databenchmarking robusta insikter som informerade detaljbankens förhandlingsstrategi och tillvägagångssätt: 

• Att göra det möjligt för banken att få ett rimligt marknadspris för varje datamängd – så att de inte hamnade i en strategisk underläge när de marknadsförde och introducerade nya kunder.

• Förbättrade kostnadsbesparingar genom att jämföra datautgifter med liknande organisationer för att uppnå c.40 % kostnadsbesparingar.

• Hanterade kontraktsfrågor genom att förstå hur andra företag införlivar flexibilitet i kontrakt från början. 

• Och stödde upphandlingen genom att arbeta med en extern partner vilket sparade banken värdefull tid och resurser och möjliggjorde mer välgrundat beslutsfattande. 

Resultaten

• Databenchmarking visade att bankens datapriset höjdes med det dubbla i vissa områden.

• Med denna insikt hade banken en stark position att begära tillbakadaterad, lägre prissättning för att få tillbaka kostnaderna. 

Sammanfattningsvis

Idag är många datakontrakt förankrade till hur byråerna alltid har gjort affärer – och tjänar ofta byråns behov mer än kreditgivaren. 

Fintechs måste vända denna dynamik och göra pristransparens till utgångspunkten för processförbättringar. 

För att göra det måste de förstå vad konkurrenterna betalar för tillgång till samma data och hur flexibilitet kan inbäddas i kontrakt. Istället för ett stort kostnadsställe kommer framtidens kreditdata att vara en drivkraft för innovation och kundnöjdhet.