Hej!
Jag heter Rasmus Rolén och är ansvarig för Klarnas kreditrisk för betalningsmetoderna Pay Later (Betala senare) och Slice it (Dela upp). Jag och mina analytikerkollegor går till jobbet varje dag för att se till att Klarnas risktagande fungerar optimalt så att våra användare får en smidig shoppingupplevelse samtidigt som vi säkerställer att pengar alltid lånas ut ansvarsfullt.
Analytics, Big data – trendiga buzzwords som många associerar med pingisspelande, legobyggande tech-startups. Nu har vi varken pingisbord eller lego (såvitt jag känner till) på kontoret, men trots det används begreppen flitigt även innanför Klarnas väggar. Faktum är att det på Klarna jobbar fler än 230 personer med kompetensen “Analytics” – och även om alla inte jobbar med samma saker har vi gemensamt att vi försöker förstå oss på och förklara stora mängder data. Analytics, eller analys på svenska, är för oss lite som bindväven som håller ihop de vitala organen i kroppen. Vi analytiker finns representerade inom nästan alla arbetsområden (eller “Domäner” på Klarna-språk), och försöker brygga mellan modeller, produkter, operations och affärsbeslut för att komma till insikter och skapa strategier runt dem.
Vår produktchef, David Fock, skrev i ett inlägg tidigare i år (länk) att vi dagligen ställer oss själva frågorna “Vad är det kunderna vill ha? Vad vet vi att kunderna inte vill ha? Vad vet vi att kunderna vill ha, fast de kanske inte själva vet det?”. Det är frågor som även vi analytiker måste tänka på, men som kan vara svåra om det inte finns organisatoriska förutsättningar för det. Vi på Klarna arbetar i en platt organisation och har delat upp våra medarbetare i mindre team med olika kompetenser, som alla fungerar som start-ups inom organisationen, och äger ett specifikt arbetsområde. Genom att våra analytiker arbetar helt inflätat med bl.a. våra produkt-, kundservice- och marknadsföringsteam kommer vi närmare problemen och får en snabbare återkoppling från våra kunder. Det gör att vi kan arbeta proaktivt, och mer snabbrörligt, med frågor som rör exempelvis ansvarsfull kreditgivning eller användning av Klarnas app.
Men hur kan egentligen en analytiker som arbetar för att säkerställa ansvarsfull kreditgivning även bidra till att skapa en smidig shoppingupplevelse?
Det finns få saker som känns så meningslösa som att lägga tid på som betalningar, oavsett om det gäller att fylla i krångliga formulär på nätet eller vänta på att komma fram till kassan i en milslång butikskö. Samma sak gäller även vid finansiering av större köp och oförutsedda utgifter, vilket idag oftast är en väldigt manuell och tidskrävande process som kräver att du uppger personlig information och sedan behöver vänta på att en kreditbedömning ska utföras.
Vi på Klarna kommer till jobbet varje dag för att ge våra användare en så enkel och smidig shoppingupplevelse som möjligt, samtidigt som vi säkerställer att ingen köper någonting utan att kunna betala för det. Det är en sak för våra produktägare och utvecklare att bygga smidiga betalningslösningar, men det är vi analytiker och våra dataforskare (data scientists) som möjliggör den omedelbara riskbedömning som ger kunderna friheten att själva bestämma när och hur de vill betala.
Vårt uppdrag är att bygga riskmodeller som utför riskbedömningen så snabbt det bara är möjligt utan att dra förhastade slutsater. Vi använder samma information som andra företag, men utför riskbedömningar helt automatiskt och i realtid. Det gör att bedömningen går till på exakt samma sätt varje gång, och minskar risken för manuella fel. Vi gör våra riskbedömningar inom några få sekunder, vilket kan jämföras med ansökan om konsumtionslån på valfri storbank som kan ta upp till 24 timmar (på vardagar).
För att kunna göra detta använder vi oss av både intern data och extern data, den jämförs sedan med den modellerade poäng vi tagit fram i vår riskmodell för att avgöra vilka betalsätt vi kan erbjuda kunden. Om vår riskmodell kommer fram till att det finns en risk att kunden kan få svårt att betala så erbjuder vi inte kredit för köpet, men vår kassalösning erbjuder fortfarande möjlighet till direktbetalning med kort eller banköverföring.
Men även om vi analytiker såklart gör vårt allra bästa för att ständigt optimera våra riskmodeller så att de har högsta möjliga träffsäkerhet kan det ibland hända att en kund nekas kredit felaktigt. En kund som nekas kredit i vårt automatiserade kassaflöde har alltid rätt till en manuell prövning, vilket vi erbjuder via kontakt med vår kundservice. Om det sedan skulle visa sig att en kund som nekats kredit borde ha kunnat välja att betala senare eller dela upp betalningen direkt i kassan drar vi lärdom inför framtida köp. Samma sak gäller såklart också vid motsatt läge, och alltså om våra riskmodeller skulle godkänna ett köp som kunden sedan inte kan betala. Målet (och den ständiga utmaningen som värmer våra analytikerhjärtan) är att ha skapa så träffsäkra modeller som möjligt, och därmed dra vårt strå till stacken för att erbjuda en oslagbar shoppingupplevelse.
När jag för tre år sedan satte min fot innanför dörrarna på Klarnas kontor för första gången trodde jag aldrig att jag skulle ha så här roligt på jobbet
Jag började som finansanalytiker där mitt mål var att förstå våra räkenskaper, och idag är jag kreditriskanalytiker där mitt mål är att förstå kundbeteende. Resan har varit lång och krokig, likt Klarnas, men under tiden har jag arbetat med några av de smartaste människorna jag träffat och löst problem som jag trodde var oöverkomliga. Det som är allra roligast för mig som analytiker är att känna det otroliga momentum som finns, och kulturen som förstärker att alla, såväl junior som senior, kan (och ska) göra skillnad. Tillsammans fortsätter vi att utmana oss själva, och hela finansbranschen, för att lösa problem och fortsätta förenkla vardagslivet för människor så att de kan spendera mindre tid på administration och få mer tid över till att göra det de älskar.
/ Rasmus