| dc.description.abstract | Effektiv kredittstyring krever en delikat balanse mellom å maksimere lønnsomhet og minimere risiko. Imidlertid mangler dagens praksis innen kredittstyring ofte evnen til å håndtere dynamiske endringer og samspillet mellom interne og eksterne faktorer, noe som resulterer i manglende robuste og handlingsrettede innsikter, plutselige konkurs og suboptimale beslutninger. For å håndtere disse utfordringene, foreslår denne oppgaven en forbedret tilnærming til kredittstyring ved å bruke systemteori og utnytte automatisering og dynamisk prognostisering av kundens livstidsverdi (CLV). For å oppnå dette gjennomfører vi en undersøkelse for å kartlegge kredittpraksis i Norge, identifisere styrker og utfordringer, og presentere løsninger for å håndtere disse utfordringene.
Undersøkelsen avdekker at en av de mest utfordrende aspektene ved kredittstyring i norske industrier er nøyaktig klassifisering av kunder og beregning av deres livstidsverdi. Vår kredittundersøkelse avslører også en lav grad av kreditt- og analytisk modenhet blant selskapene, med unntak av bank og finans. Dette understreker behovet for mer tverrfaglig samarbeid. Ved å inkorporere CLV i beslutningsprosesser, kan finansinstitusjoner optimalisere sine strategier for kredittrisikostyring og forbedre den overordnede risikojusterte lønnsomheten.
For å underbygge våre påstander, presenterer vi empirisk arbeid om beregning av CLV ved hjelp av statistiske og maskinlæringsmetoder basert på tidsseriedata fra et norsk selskap. Innføring av disse metodene og automatisering i kredittstyringsprosessen kan bidra til å forbedre nøyaktigheten i kredittvurderinger, dermed øke lønnsomheten og redusere risikoen. Det er viktig å merke seg at vår tilnærming representerer en av mange mulige metoder og fungerer som et første skritt mot forbedring av kredittstyringsprosessen.
Som videre arbeid foreslår vi en innsamling av lett tilgjengelige, relevante, berikede og pålitelige data av høy kvalitet, samt å inkorporere mer avanserte metoder, inkludert multivariate paneldata. I tillegg vil utvikling av modeller som muliggjør automatisering av både kredittgrenser og kundesegmentering, samt etablering av tidlige advarselssystemer, bidra til videre fremskritt innen kredittstyringsprosessen. Disse elementene kan bidra til å forbedre kredittstyringen, til syvende og sist til fordel for finansinstitusjoner og den overordnede økonomien. | |
| dc.description.abstract | Effective credit management requires a delicate balance between maximizing profitability and minimizing risk. However, current credit management practices often fail to account for dynamic changes as well as interactions between internal and external factors, resulting in a lack of robust, actionable insights, sudden bankruptcies, and suboptimal decision-making. To address these challenges, this thesis proposes an enhanced credit management approach using systems theory by leveraging automation and dynamic forecasting of customer lifetime value (CLV). To achieve this, we conduct a comprehensive survey to map state-of-the-art credit practices in Norway, identify their strengths and challenges, and provide solutions to face these challenges.
Our research reveals that one of the most daunting aspects of credit management across Norwegian industries is accurately classifying customers and calculating their lifetime value. Additionally, our credit survey highlights a low degree of credit and analytical maturity among participants and industries, with the exception of bank and finance. This underscores the need for more interdisciplinary collaboration. By incorporating CLV into decision-making processes, financial institutions can optimize their credit risk management strategies and improve overall risk-adjusted profitability.
To substantiate our claims, we present empirical work on calculating CLV using statistical and machine-learning methods applied to time-series data from a Norwegian company. Introducing these methods and automation in the credit management process can contribute to improving the accuracy of credit assessment, thereby enhancing profitability and reducing risk. It is important to note that our approach represents one of many potential methods and serves as an initial step toward improving the credit management process.
As a future direction, we propose identifying and incentivizing the collection of easily accessible, relevant, enriched, and reliable data of high quality, in addition to incorporating more advanced methods, including multivariate panel data. Additionally, constructing models that enable companies to automate both credit limits and customer segmentation, as well as establishing early warning systems, would contribute to further advancements in the credit management process. By following these paths, we can continue to improve credit management, ultimately benefiting financial institutions and the overall economy. | |
