Nieuwe technologie 
verhoogt toegang tot 
financiering

Inzicht 3 / Innovatie

Rabo Foundation gelooft dat technologische ontwikkelingen kunnen bijdragen aan het verbeteren van de toegang tot financiering en diensten voor onze doelgroep. Daarom jagen we deze ontwikkeling aan en werken we aan een grotere verspreiding van effectieve innovaties.

Welke externe ontwikkelingen beïnvloeden ons werk?
Wereldwijd is een razendsnelle digitalisering gaande. Ook volgen technologische ontwikkelingen op agronomisch en financieel gebied elkaar in rap tempo op. Dit biedt kansen om via technologie een beter inzicht te krijgen in de kleinschalige boeren of hen tegen lagere kosten te bereiken. Steeds meer start-ups en technologiebedrijven brengen diensten op de markt voor de agronomische sector. Denk aan apps waarmee kleinschalige boeren hun oogst kunnen verkopen en een beter inzicht krijgen in marktprijzen. Prachtige ontwikkelingen, maar de oplossingen zijn nog niet altijd geschikt voor de doelgroep van Rabo Foundation. Veel organisaties die we ondersteunen werken namelijk nog niet (volledig) digitaal. Kwalitatief goede data over deze organisaties en haar leden is beperkt. En de beschikbare innovaties richten zich vaak op maar één van de problemen waarmee kleinschalige boeren kampen – een geïntegreerde benadering ontbreekt. Bovendien hebben onze partners niet altijd de kennis in huis om de verschillende proposities van elkaar te onderscheiden of de middelen om een pilot uit te voeren.

Hoe speelt Rabo Foundation hierop in?
Ons doel is om toegang tot financiering voor onze doelgroep te vergroten. We proberen te investeren in technologische ontwikkelingen die daaraan kunnen bijdragen. Om onze partners zoveel mogelijk te laten profiteren van slimme oplossingen, moeten wij zelf goed zicht hebben op de ontwikkelingen, aanbieders en stakeholders. In 2019 voerden we allerlei pilots uit, onder meer door kansrijke innovaties te financieren. Zo ontdekken we zelf in de praktijk wat wel en niet werkt. Behalve geld zetten we hierbij ook ons netwerk in. Initiatieven die een oplossing bieden voor een deel van de uitdagingen van onze partners, verbinden we het liefst met andere innovators op dit gebied. Zodat ze samen een geïntegreerde oplossing kunnen ontwikkelen. Ook proberen we zoveel mogelijk gebruik te maken van de kennis en ervaring binnen Rabobank. Zo werken we veel samen met de data scientists van de bank om met data-analyse beter inzicht te krijgen in de verschillen tussen boeren. We proberen te leren welke verschillende databronnen we kunnen gebruiken om een zo volledig mogelijk beeld van de boeren te krijgen. Zo hopen we te zorgen dat boeren toegang krijgen tot diensten die beter zijn afgestemd op hun eigen situatie. We delen de kennis en ervaring die we opdoen zoveel mogelijk met ons netwerk.

Wat gaan we anders doen in 2020 en daarna?
In 2020 richten we ons nog nadrukkelijker op het opbouwen van kennis op het gebied van data-analyse en het gebruik van alternatieve data om de verschillen tussen boeren beter te begrijpen. Dit is belangrijk om de juiste diensten aan te kunnen bieden. Daarnaast blijven we initiatieven ondersteunen die partnerorganisaties helpen in de digitalisering, zodat onze partners in de toekomst zoveel mogelijk kunnen profiteren van de nieuwe ontwikkelingen. 

aanjager
INNOVATIE
4

Rabo Foundation ondersteunt oplossingen op vier gebieden die gebruikmaken van een combinatie van de volgende databronnen:

GEBIEDEN

Veldinformatie
van de boer

Keten-
informatie

Geodata

Fintech

MEER WETEN

Meer voorbeelden van innovatie vind je op onze website

‘De wil om krediet te verlenen aan boeren is er wel in India. Maar de kennis om dat verantwoord te doen, die ontbreekt vaak nog’, legt Tanya uit. ‘Gelukkig hoeft betrouwbare creditscoring – het bepalen van iemands kredietwaardigheid – niet ingewikkeld te zijn. Dat kan al met simpele modellen, en met statistieken en machine learning kun je nog betere modellen maken. Hoe dat precies werkt, was de insteek van de workshop die we samen met Rabo Foundation in Delhi gaven.’

Kennis delen
De workshop gaf Tanya aan zo’n vijftig banken, stichtingen, fintechbedrijven, agtechbedrijven en startups waarmee Rabo Foundation in India al nauw samenwerkt. ‘Deze partijen hebben vaak data én kennis in huis voor een goed creditscoringmodel. Denk aan data over gewasopbrengst, inkomen en grondkwaliteit. Daarnaast hebben ze uitgebreide kennis over lokale landbouw. Maar hoe je die omzet naar een creditscoringmodel, weten ze vaak niet. Bij DLL, het onderdeel van Rabobank waar ik werk, weten we dat als de beste. Wij zijn ver met creditscoring en helpen Rabo Foundation vaak met projecten. Toen zij ons vroegen om onze kennis te delen, gingen we daar graag op in.’

Simpele modellen 
In India was er veel interesse voor deze workshop over creditscoring. Zo’n zeventig mensen deden mee. ‘Een aantal van hen experimenteert al met het simpelste creditscoringmodel, maar de meesten werken zelfs daarmee nog niet’, vertelt Tanya. ‘In zo’n simpel model ken je een score toe aan een boer. Zijn inkomen, transacties, gewasopbrengst, weersvoorspellingen voor zijn grondgebied, zijn grondoppervlakte, mechanisatieniveau – alles krijgt een score. De 

eindscore bepaalt of iemand kredietwaardig is. Dit is al zeer waardevol en bruikbaar. Maar het kan geavan-ceerder en daarmee efficiënter én betrouwbaarder.’

Een stap verder
Door statistische gegevens in het model in te bouwen, bijvoorbeeld van vele soortgelijke boerenbedrijven, valt iemands kredietwaardigheid beter te voorspellen. Tanya: ‘Je kijkt dan ook hoe een boer zich tot andere boeren verhoudt. Zo kun je de kans berekenen of hij een lening ook echt kan terugbetalen. Nog een stap verder gaan modellen die gebaseerd zijn op machine learning. Deze modellen verbeteren zichzelf steeds verder op basis van alle data die ze verwerken. Dit is heel innovatief, bij DLL zijn we nu aan het experimenteren hoe modellen gebaseerd op machine learning inzichtelijker maken. Bij dit soort modellen is het namelijk belangrijk dat je goed kunt verantwoorden hoe ze tot hun uitkomsten komen. Zodra een model voor zichzelf gaat denken, moet je bovendien goed in de gaten houden dat het niet discrimineert.’

Modellen bouwen
Voor de meeste deelnemers aan de workshop zijn dat soort complexe modellen nog verre toekomstmuziek. ‘Maar ze hebben wel geleerd waar een betrouwbaar creditscoringmodel aan moet voldoen’, stelt Tanya. ‘Sommigen zijn intussen druk bezig om hun modellen aan te passen of voor het eerst te bouwen. Anderen maken al de stap naar statistische modellen. En één deelnemer gaat zelfs aan de slag met machine learning. Met deze nieuwe kennis openen ze deuren voor kleinschalige boeren in India. En inmiddels staan er alweer nieuwe partijen klaar om de workshop te volgen. Mooi om te zien dat we op die manier iets kunnen bijdragen aan een beter leven voor boeren in India.’

‘Ben je een kleine boer in India, dan heb je vaak geen toegang tot een lening om te kunnen groeien en ontwikkelen. Domweg omdat lokale geldverstrekkers je kredietwaardigheid niet kunnen inschatten en daarom het risico liever niet nemen. Met onze workshop creditscoring helpen we lokale financiële instellingen wél deze risico's in te kunnen schatten. En zo gaan er 

India


Tanya Lagoda
Creditscoringspecialist DLL

‘Kleine boeren
in India scoren
dankzij workshop’

Case Study
Creditscoring, India

voor kleinschalige boeren in India steeds meer deuren open’, vertelt credit-scoringspecialist Tanya Lagoda enthousiast.

Tanya Lagoda
Creditscoringspecialist DLL

INNOVATIE
4

Rabo Foundation ondersteunt oplossingen op vier gebieden die gebruikmaken van een combinatie van de volgende databronnen:

GEBIEDEN

Veldinformatie
van de boer

Keten-
informatie

Geodata

Fintech

bv mobiele
spaarrekening
en credit scoring

Inzicht 3 / Innovatie

aanjager

Nieuwe technologie 
verhoogt toegang tot 
financiering

Rabo Foundation gelooft dat technologische ontwikkelingen kunnen bijdragen aan het verbeteren van de toegang tot financiering en diensten voor onze doelgroep. Daarom jagen we deze ontwikkeling aan en werken we aan een grotere verspreiding van effectieve innovaties.

Welke externe ontwikkelingen beïnvloeden ons werk?
Wereldwijd is een razendsnelle digitalisering gaande. Ook volgen technologische ontwikkelingen op agronomisch en financieel gebied elkaar in rap tempo op. Dit biedt kansen om via technologie een beter inzicht te krijgen in de kleinschalige boeren of hen tegen lagere kosten te bereiken. Steeds meer start-ups en technologiebedrijven brengen diensten op de markt voor de agronomische sector. Denk aan apps waarmee kleinschalige boeren hun oogst kunnen verkopen en een beter inzicht krijgen in marktprijzen. Prachtige ontwikkelingen, maar de oplossingen zijn nog niet altijd geschikt voor de doelgroep van Rabo Foundation. Veel organisaties die we ondersteunen werken namelijk nog niet (volledig) digitaal. Kwalitatief goede data over deze organisaties en haar leden is beperkt. En de beschikbare innovaties richten zich vaak op maar één van de problemen waarmee kleinschalige boeren kampen – een geïntegreerde benadering ontbreekt. Bovendien hebben onze partners niet altijd de kennis in huis om de verschillende proposities van elkaar te onderscheiden of de middelen om een pilot uit te voeren.

Hoe speelt Rabo Foundation hierop in?
Ons doel is om toegang tot financiering voor onze doelgroep te vergroten. We proberen te investeren in technologische ontwikkelingen die daaraan kunnen bijdragen. Om onze partners zoveel mogelijk te laten profiteren van slimme oplossingen, moeten wij zelf goed zicht hebben op de ontwikkelingen, aanbieders en stakeholders. In 2019 voerden we allerlei pilots uit, onder meer door kansrijke innovaties te financieren. Zo ontdekken we zelf in de praktijk wat wel en niet werkt. Behalve geld zetten we hierbij ook ons netwerk in. Initiatieven die een oplossing bieden voor een deel van de uitdagingen van onze partners, verbinden we het liefst met andere innovators op dit gebied. Zodat ze samen een geïntegreerde oplossing kunnen ontwikkelen. Ook proberen we zoveel mogelijk gebruik te maken van de kennis en ervaring binnen Rabobank. Zo werken we veel samen met de data scientists van de bank om met data-analyse beter inzicht te krijgen in de verschillen tussen boeren. We proberen te leren welke verschillende databronnen we kunnen gebruiken om een zo volledig mogelijk beeld van de boeren te krijgen. Zo hopen we te zorgen dat boeren toegang krijgen tot diensten die beter zijn afgestemd op hun eigen situatie. We delen de kennis en ervaring die we opdoen zoveel mogelijk met ons netwerk.

Wat gaan we anders doen in 2020 en daarna?
In 2020 richten we ons nog nadrukkelijker op het opbouwen van kennis op het gebied van data-analyse en het gebruik van alternatieve data om de verschillen tussen boeren beter te begrijpen. Dit is belangrijk om de juiste diensten aan te kunnen bieden. Daarnaast blijven we initiatieven ondersteunen die partnerorganisaties helpen in de digitalisering, zodat onze partners in de toekomst zoveel mogelijk kunnen profiteren van de nieuwe ontwikkelingen. 

‘Kleine boeren
in India scoren
dankzij workshop’


Tanya Lagoda
Creditscoringspecialist DLL

Case Study
Ergos, India

‘Ben je een kleine boer in India, dan heb je vaak geen toegang tot een lening om te kunnen groeien en ontwikkelen. Domweg omdat lokale geldverstrekkers je kredietwaardig-heid niet kunnen inschatten en daarom het risico liever niet nemen. Maar dankzij onze workshop creditscoring kunnen steeds meer lokale financiële instellingen dat wél. En zo gaan er voor kleinschalige boeren in India steeds meer deuren open’, vertelt credit-scoringspecialist Tanya Lagoda enthousiast.

Tanya Lagoda
Creditscoringspecialist DLL

India

‘De wil om krediet te verlenen aan boeren is er wel in India. Maar de kennis om dat verantwoord te doen, die ontbreekt vaak nog’, legt Tanya uit. ‘Gelukkig hoeft betrouwbare creditscoring – het bepalen van iemands kredietwaardigheid – niet ingewikkeld te zijn. Dat kan al met simpele modellen, en met statistieken en machine learning kun je nog betere modellen maken. Hoe dat precies werkt, was de insteek van de workshop die we samen met Rabo Foundation in Delhi gaven.’

Kennis delen
De workshop gaf Tanya aan zo’n vijftig banken, stichtingen, fintechbedrijven, agtechbedrijven en startups waarmee Rabo Foundation in India al nauw samenwerkt. ‘Deze partijen hebben vaak data én kennis in huis voor een goed creditscoringmodel. Denk aan data over gewasopbrengst, inkomen en grondkwaliteit. Daarnaast hebben ze uitgebreide kennis over lokale landbouw. Maar hoe je die omzet naar een creditscoringmodel, weten ze vaak niet. Bij DLL, het onderdeel van Rabobank waar ik werk, weten we dat als de beste. Wij zijn ver met creditscoring en helpen Rabo Foundation vaak met projecten. Toen zij ons vroegen om onze kennis te delen, gingen we daar graag op in.’

Simpele modellen 
In India was er veel interesse voor deze workshop over creditscoring. Zo’n zeventig mensen deden mee. ‘Een aantal van hen experimenteert al met het simpelste creditscoringmodel, maar de meesten werken zelfs daarmee nog niet’, vertelt Tanya. ‘In zo’n simpel model ken je een score toe aan een boer. Zijn inkomen, transacties, gewasopbrengst, weersvoorspellingen voor zijn grondgebied, zijn grondoppervlakte, mechanisatieniveau – alles krijgt een score. De 

eindscore bepaalt of iemand kredietwaardig is. Dit is al zeer waardevol en bruikbaar. Maar het kan geavan-ceerder en daarmee efficiënter én betrouwbaarder.’

Een stap verder
Door statistische gegevens in het model in te bouwen, bijvoorbeeld van vele soortgelijke boerenbedrijven, valt iemands kredietwaardigheid beter te voorspellen. Tanya: ‘Je kijkt dan ook hoe een boer zich tot andere boeren verhoudt. Zo kun je de kans berekenen of hij een lening ook echt kan terugbetalen. Nog een stap verder gaan modellen die gebaseerd zijn op machine learning. Deze modellen verbeteren zichzelf steeds verder op basis van alle data die ze verwerken. Dit is heel innovatief, bij DLL zijn we nu aan het experimenteren hoe modellen gebaseerd op machine learning inzichtelijker maken. Bij dit soort modellen is het namelijk belangrijk dat je goed kunt verantwoorden hoe ze tot hun uitkomsten komen. Zodra een model voor zichzelf gaat denken, moet je bovendien goed in de gaten houden dat het niet discrimineert.’

Modellen bouwen
Voor de meeste deelnemers aan de workshop zijn dat soort complexe modellen nog verre toekomstmuziek. ‘Maar ze hebben wel geleerd waar een betrouwbaar creditscoringmodel aan moet voldoen’, stelt Tanya. ‘Sommigen zijn intussen druk bezig om hun modellen aan te passen of voor het eerst te bouwen. Anderen maken al de stap naar statistische modellen. En één deelnemer gaat zelfs aan de slag met machine learning. Met deze nieuwe kennis openen ze deuren voor kleinschalige boeren in India. En inmiddels staan er alweer nieuwe partijen klaar om de workshop te volgen. Mooi om te zien dat we op die manier iets kunnen bijdragen aan een beter leven voor boeren in India.’

MEER WETEN

Meer voorbeelden van innovatie vind je op onze website