De blog van het marketing agentschap IntoTheMinds
Marktonderzoek en ondernemers coaching

Bercy analyseert gegevens om bedrijfsfaillissementen te voorspellen

Share This Post On

Bedrijfsfaillissementen voorspellen is een uitdaging voor zowel ondernemers als overheden. Wist u dat een faillissement, naast de financiële en emotionele kosten die het voor de ondernemer met zich meebrengt, ook een last voor de overheid betekent? Een faillissement leidt immers tot een gerechtelijke procedure die vaak complexe procedures vereist, waarbij verschillende partijen betrokken zijn (rechtbank, curatoren, schuldeisers, …). Het voorkomen van faillissementen en het helpen van bedrijven om hun problemen aan te pakken en zich te herstellen, zijn doelstellingen die ook door de overheid worden nagestreefd. Dat bleek ook uit wat twee deskundigen van de Franse overheid, Adèle Lieber, adjunct-directeur-generaal van Openbare Financiën en Philippe Schall, beheerder bij Openbare Financiën, in een recente uitzending aangaven. Sinds de komst van kunstmatige intelligentie zijn er voor de overheid nieuwe instrumenten beschikbaar om zwakke signalen op te vangen en bedrijven te identificeren die hulp nodig hebben. Dit is het doel van een project van het Franse ministerie van Financiën.

Wij herinneren u er ook aan dat het beter is om problemen te voorkomen voordat u een bedrijf opstart (bv. door middel van een marktonderzoek) dan achteraf naar oplossingen te moeten zoeken. Om de slogan van de Belgische advocaten te parafraseren (“een advocaat is iemand die men eerst moet opzoeken om problemen achteraf te vermijden”), zou u kunnen zeggen dat een marktonderzoek een “oefening is die men moet doen vóór de opstart van een bedrijf om problemen achteraf te voorkomen”.

Een marktonderzoek is een oefening die men moet doen vóór de opstart van een bedrijf om problemen achteraf te voorkomen.

Micro-signalen opsporen om bedrijven te identificeren die hulp nodig hebben

De Franse overheid is daarom begonnen met een proefproject, waarbij de vele informatie die door en over bedrijven wordt doorgegeven door de verschillende overheidsdiensten (belastingen, URSSAF, douane, enz.) wordt gebruikt om de gezondheidstoestand van een bedrijf in kaart te brengen en de moeilijkheden die het zou kunnen ondervinden beter te kunnen voorspellen. Het project, dat in 9 proefafdelingen over heel Frankrijk van start is gegaan (Côte-d’Or, Finistère, Seine-et-Marne, Tarn, ….), is gebaseerd op kunstmatige intelligentie om grote hoeveelheden gegevens te kunnen verwerken en interpreteren.

Kunstmatige intelligentie kan bedrijfsfaillissementen voorspellen

Dit project is een perfect voorbeeld van het verstandige gebruik van kunstmatige intelligentie in een context waar de veelheid aan gegevensbronnen en -formaten tot nu toe heeft verhinderd dat informatie met elkaar in overeenstemming kon worden gebracht (en dan hebben we het nog niet over de problemen met de gegevenshoeveelheid en de budgettaire beperkingen die de overheden ertoe aanzetten op zoek te gaan naar manieren om processen te automatiseren en efficiënter te werken). In een dergelijke context maakt het gebruik van kunstmatige intelligentie het mogelijk om een eerste selectie te maken tussen gestructureerde en ongestructureerde informatie, en ontstaat er zo een instrument ten dienste van de menselijke intelligentie om de aandacht en acties te richten op bedrijven die dit het meest nodig hebben. Net als soortgelijke instrumenten die in de mediawereld worden gebruikt (zie bijvoorbeeld het voorbeeld van de journalistenrobot Voitto in Finland), is kunstmatige intelligentie uiteindelijk slechts een van de instrumenten die beschikbaar zijn voor mensen, die over gevoeligheid en een goede bedrijfsexpertise beschikken, om hun werk beter te kunnen uitvoeren. Kunstmatige intelligentie hoeft niet noodzakelijkerwijs als een bedreiging te worden gezien (lees ons artikel over banen die niet teloor zullen gaan als gevolg van AI).

De variabelen die Barboza e.a. (2017) gebruiken om bedrijfsfaillissementen te voorspellen.

Machine learning en deep learning verbeteren de voorspelling van faillissementen

Het thema van het voorspellen van faillissementen is niet nieuw, net zomin als het gebruik van kunstmatige intelligentie voor dit doel. Het basiswerk van Altman in 1968 (Engelse site) maakte het al vroeg mogelijk om variabelen te definiëren die de gezondheidstoestand van een bedrijf aan het licht brengen en zo toelaten om te anticiperen op veranderingen in de toestand van het bedrijf. Sinds 1968 heeft de computer een revolutie doorgemaakt en zijn technieken aanzienlijk geëvolueerd. Lezers met een technische achtergrond kunnen bijvoorbeeld geïnteresseerd zijn in het werk van Barboza et al. (2017) (Engelse site), dat de superioriteit van bepaalde technieken voor het voorspellen van een faillissement heeft aangetoond. De algoritmes voor machine learning die in deze studie werden gebruikt (bagging, random forest, boosting) bleken gemiddeld 10% nauwkeuriger te zijn dan de meer traditionele logistieke regressietechnieken bij het voorspellen van faillissementen, 12 maanden voordat deze zich voordeden. Barboza en zijn collega’s gebruikten voor hun voorspellingsoefening een reeks van 11 financiële indicatoren, toegepast op een dataset van 13.000 bedrijven.

Resultaten van de voorspellingen van Barboza et al. (2017) over het falen van ondernemingen

Tags: ,

Author: Pierre-Nicolas Schwab

Pierre-Nicolas is de directeur van de marketing agentschap IntoTheMinds. Hij heeft speciaal interesse voor e-commerce, retail, HoReCa en supply-chain projecten. Hij is ook een onderzoeker aan de Vrije Universiteit Brussel en werkt ook als coach voor meerde publieke organisaties. Hij verwelkomt Linkedin uitnodigingen : gelieve gewoon een paar woorden toe te voegen en uit te leggen waarom U wilt connecteren.

Share This Post On

Submit a Comment

Your email address will not be published. Required fields are marked *