Robotics i en startup
Steinar Slåtten - Salgsansvarlig @ FundingPartner
Crowdlending-plattformen FundingPartner, som folkefinansierer bedriftslån, forteller om hvordan de benytter roboter for å løse hverdagslige problemer. Med begrenset tid- og ikke minst budsjetter har selskapet utviklet en pragmatisk tilnærming til hvordan finne de største effektiviseringsgevinstene.
Steinar Slåtten er salgsansvarlig i FundingPartner og har bakgrunn fra salg og rådgivning i IT og telekom, med fokus på digitalisering.
Les mer her: https://www.eventbrite.com/e/robotics-og-ai-tickets-55883981493
7. 6FundingPartner
… men om integreringen ikke finnes, da er løsningen enkle softwareroboter
Søknader
Sammenkobling av systemer
CRM
8. 7FundingPartner
… men om integreringen ikke finnes, da er løsningen enkle softwareroboter
Søknader
Sammenkobling av systemer
CRM
Datainnhenting
9. 8FundingPartner
Oppsummert: Vi har en enkel og pragmatisk tilnærming til robotisering
Optimaliser prosessene
Tilnærming Hvorfor?
Unngå automatisering av
dårlige prosesser
Finn største pain points Få størst gevinst
Start i det små
Å automatisere alt koster
mye
Let alltid etter “off the
shelf” verktøy først
Enkle, rimelige i bruk og
gir raskt resultat
12. 11FundingPartner
En tydelig AI-strategi gjør at vi har en klar plan på hva vi skal gjøre i dag og fremover
AI-strategi
Tydelig målsetting Tracking og
innhenting av data
Trene modeller Kontinuerlig forbedring
og videre læring
Ta i bruk ny modell
Vi er en crowdlendingplattform for bedriftslån. Det vil si at vi kobler sammen selskaper som behøver lån, med investorer som ønsker avkastning.
Bakgrunnen var at det var mange gode vekstselskaper som ikke fikk finansieringen de trengte, og at det er mange nordmenn som har penger og er på jakt etter avkastning.
Ideen er enkel: koble disse sammen. Vi gjør en nøye kredittvurdering av selskapene, og legger de beste ut på plattformen vår hvor investorer kan investere i lånet og motta renter og avdrag hver måned.
Vi har konsesjon fra finanstilsynet (og lanserte..)
..og lanserte i fjor høst.Det gikk over all forventning der vi hadde over tusen forhåndsregistrerte investorer, og er nå over 3500. - Den observante kan se at bildet er tatt på StartupLab, hvor vi sitter, og har fått utrolig mye drahjelp og kompetanse fra de.
Like før jul fikk vi årets julegave med DNB og Schibsted på eiersiden. Ekstra kjekt for daglig leder Geir Atle, som har gått ulønnet i flere år og har sovet hos kjæresten mens han AirBNB'et leiligheten holde hjulene i gang. Det er han som står og smiler der fordi han får flytte hjem.
Vi har hittil formidlet 18 millioner på 8 lån, litt over 2 millioner i snitt per lån (ville bare rundet av tallet 17,6 som da er 18)
Det har vært lån til alt fra eiendomsutvikling, blant annet i Bergen, til malerbedrifter som trenger utstyr.
Det har vært til et reiselivsselskap i nordnorge som ville finansiere en ny katamaran, og nå sist til et filmselskap med filmen "Ut og stjæle hester", som kommer på kino i mars. Det som er ekstra kult er hvor fort lånene forsvinner. Som DN skriver, forsvant det siste på 21 minutter, på et lån på 11,5% rente for 2 mnok til filmselskapet.
Bredt spekter av bransjer, og typisk for lånene er at bankene krever for mye sikkerhet for lån, ikke kan gi fordi selskapet ikke har lang nok historikk, eller fordi man er i en bransje bankene tradisjonelt ikke er så interesserte i, som nordlysturisme og filmproduksjon.
-
Jeg tenkte å gi et par eksempel på hvordan vi jobber med IT, automatisering, robotics. Det blir som regel snakket om hvordan dette kan hjelpe de store selskapene med masse data, eller store, tunggrodde prosesser som nærmest skriker etter effektivisering. Men jeg tenkte å fortelle litt om hvordan små, nystartede selskaper som oss, også kan dra nytte av teknologien.
Vår generelle strategi for IT er enkel - vi skal aldri drive egenutvikling av systemer om det finnes fullgode løsninger allerede. Om vi har et problem, har antakeligvis noen andre hatt det også, og løst det bedre enn det vi vil kunne klare.
Før: ett system som fikser alt, typisk SAP. Vi har verken tid eller råd til å lange utviklingsprosjekter. I stedet plukker vi de beste tjenestene som er ledende på akkurat sitt bruksområde.
Men nedsiden med mange systemer heller enn ett samlet er at disse tjenestene må snakke i lag. Om vi tar eksempelet Hubspot…
… som er CRM-systemet vårt, så er dette heldigvis ferdig integrert med en drøss av andre tjenester.Men hva gjør du om de ikke er integrerte?
Vi bruker blant annet Typeform som er en fantastisk tjeneste for å lage søknadsskjema. Vi har fått over 1300 søknader, og de må legges over i Hubspot. Om jeg skulle gjort det manuelt, hadde jeg ikke hatt tid til å være her i dag.
For å knytte disse sammen, bruker vi roboter fra Automate, som har utviklet API til begge tjenestene og gjør det kjempeenkelt å sette opp egne roboter. Roboten, eller robotene, det er to som jobber i lag – Pompel og Pilt – gjør den jobben for meg. En behøver på ingen måte å være IT utvikler for å gjøre dette.
Mange av disse søknadene skal kredittvurderes. Vi har en kredittmodell med 37 variabler som må hentes inn fra mange ulike kilder. Vi har utrolig flinke folk som jobber hos oss, og det ville vært sløsing med ressurser å la de sitte og hente inn alt manuelt for hvert lån. Vi bruker da en annen robot for å hente inn et stort antall av kredittvariablene, og legger disse inn i i kredittmodellen som blir brukt av kredittanalytiker hos oss, som sparer utrolig mye tid for analytikeren.
-Enkel og pragmatisk tilnærming. I en startup er alt kaos, hvor vi stadig utvikler prosessene, og det er viktig å forstå om det i det hele tatt er riktig og optimalisert prosesser før vi prøver å automatisere de. Vi brukte først mye tid på å automatisere en mye større del av lånesøkerprosessen for full innsending av alt av lånedokumentasjon så vi kunne ha så mye info som mulig før vi i det hele tatt snakket med søkeren. Men vi innså at det viktigste vi gjør er å faktisk snakke med de som søker lån for å forstå forretningsmodellen, selskapet og lånebehovet - og deretter avgjør hva vi trenger av dokumentasjon, siden det varierer alt etter lånetype og selskap. Ingen gevinst i å perfeksjonere automatisering av en prosess som i utgangspunktet er feil. Noe vi brant oss på i starten.
-Vi ser hvor pain points er, der vi kan hente ut størst gevinst med å automatisere. Det sier seg selv at alt som man synes er kjedelig får høy prioritet, men dette sammenfaller heldigvis som regel med at det også er enkelt å automatisere.
-Starter i det små. Vi tar små deler og utvider heller der i fra. Det koster alt for mye å prøve å ta hele prosessen, og dette lar oss fort se om det er mulig eller om det dukker opp utfordringer. Vi bruker roboten for å samle inn noe data til kredittmodellen, mens analytiker må hente inn noe av det mer kvalitative selv, da dette er for krevende å automatisere nå i første omgang.
-Nøkkelen for oss er å bruke ferdige verktøy som er enkle og som er billige å bruke i den forstand at de ikke krever investeringer - alt er skybasert og subscription/pay per use.
- På den måten kan vi få store gevinster raskt, og dersom en endrer prosessen og ikke lengre behøver automatiseringen så har en ikke laget noe custom made som en brukte mye it midler på!
- Man kan kalle det smidig eller lean metodikk, men for oss er det ikke en metodikk vi velger å bruke - det er en forutsetning for vår videre eksistens.
-Det som også har vært AI og maskinlæring som tema i dag. Her ønsker jeg og å ta et eksempel på hva vi jobber med der.(For oss er det særlig nevrale nettverk som er utrolig spennende for å videreutvikle kredittmodeller)
For oss er det særlig nevrale nettverk som er utrolig spennende for å videreutvikle kredittmodeller
-Nevralt nettverk er en metode innen matematikk for å kunne ta en mengde inputvariabler for å predikere utfall, uten å forstå sammenhengene.-Ikke nytt, men maskinkraften og mengden data vi har i dag gjør at vi har helt nye muligheter til å forstå – på et helt annet nivå – sammenhenger mellom ulike inputvariabler og pris.
For å ta et eksempel på hus, som alle kjenner til, så er alle interessert i prisen på huset sitt. Der har man mange inputvariabler, som du ser til venstre. Postnummer, adresse, kvadratmeter, parkering eller ikke. Dette er så klart ting som alle vet påvirker prisen på huset.Men skal du sammenligne ditt hus med naboen sitt, er det vanskelig å vite eksakt hva det er verdt og hvor mye hver ting har i verdi. Har jo TV-show hvor de prøver å gjette prisen, og det er vanskelig nettopp pga mange inputvariabler.
- Nøkkelen er at det egentlig er de tingene i midten som må modelleres.
Postkode og by er noe som påvirker hverandre, for det påvirker livskvaliteten og hvor enkelt det er å komme seg fram.
Videre vil verdien av parkering bli påvirket av postkode og hvor enkelt det er å komme seg til og fra, og ikke minst kombinert med størrelse og rom som avgjør hvor familievennlig det er.
Det kule med nevralt nettverk er at vi ikke behøver å forstå nøyaktig hva disse faktorene i mellom er, det blir regnet ut av modellen som ser sammenhenger mellom variabler som påvirker hverandre. Da kan vi predikere prisen mye bedre.
For å komme tilbake til det vi driver med, så er det å predikere konkursrisiko noe av det viktigste vi gjør. Det er ingen eksakt vitenskap, og vi må være best på det.
På tilsvarende måte som med huspris, kan vi bruke nevrale nettverk for å videreutvikle vår kredittmodell. Der dagens regresjonsmodeller har et tak på rundt 10 variabler, benytter vi opp mot 100 ulike variabler i et nevralt nettverk for å bedre kunne predikere risikoklasse og rente, mislighold, og riktig lånesum og løpetid for akkurat det lånet til den låntakeren.
- Men som alle som snakker om AI og maskinlæring kan fortelle deg - så krever dette data. Mye data. Startups har ikke dette, og tilgjengelig data er typisk ikke strukturert nok.
-Det å gi lån til selskap med usikret kreditt er et nytt marked – bankene har ikke gjort det. Derfor finnes det ikke data på hvilke selskaper som får usikrede lån, og hvordan det går med de.
Derfor har vi en tydelig AI-strategi.
- Vi har et tydelig målsetting med hva vi ønsker å oppnå
- Vi har da tilpasset dagens kredittarbeid og prosesser, slik at alt vi gjør i dag kan brukes til å trene en modell senere
- Vi vet hvilke variabler vi skal tracke, hvem vi skal tracke, og hvordan vi skal tracke og hente inn dataene og strukturere de. Data kan bli verdt gull i fremtiden, når vi skal trene modeller, implementere de og forbedre de.
OPPSUMMERING
[] Vi er i et tidlig stadie der vi bygger data og fokuserer på de to første punktene. [] – Det kan, og burde alle – ikke bare startups – starte med i dag. Finn ut hvor man kan få størst gevinster og lag strategien, slik at man kan starte å samle inn rett data til formålet og tilpasse dagens prosesser. Det koster lite nå, og vil gi kjempestor avkastning senere.
Avslutningsvis så må eg benytte muligheten når eg har så mange mennesker i salen til å si at alle kan bli kunder hos oss
Om du har penger, registrer deg som investor
Om du trenger penger, må du søke om lån.
Å registrere seg tar 5 minutt og kan gjøres i pausen. Tusen takk for meg!