In this study we propose to enhance the predictive power of a Buy Now, Pay Later (BNPL) consumer credit scorecard by leveraging detailed product information. The object of analys is in this study is Klarna Bank AB, which is the largest retail finance provider in Sweden. This research conducts a quantitative study in order to firstly, investigate if it is possible to find subcategories that correlate more with credit risk than the existing product categories at Klarna. This will be investigated by categorizing already accepted orders into more granulated product categories than Klarna's existing level. Secondly, this study investigates how more detailed product categorization can improve a BNPL e-commerce consumer credit scorecard. Lastly, a qualitative analysis of what the business impact an implementation of this feature could entail for Klarna Bank AB is conducted. Our results demonstrate that it is possible to find subcategories that correlate more strongly with credit risk than the existing categories. The characteristics of the high-and low risk product categories align with existing research on online consumer behavior. More specifically, we found that luxury products, ego-related products, and products related to addictive behavior had the highest risk. We also contribute to existing research within the credit risk management field by finding that trending/new products on the market have a higher risk, and that the novelty of a product should be taken into consideration in credit risk prediction. By applying a hypothetical credit scoring model on a dataset of already accepted orders that took the new detailed product categories into consideration, the discrimination performance could be improved. However, risks regarding adding more data into a credit risk model need to be considered before implementing the proposed solution. Our study, therefore, demonstrates the potential of including more granulated product category information in a BNPL e-commerce consumer credit scorecard to improve risk prediction. While the results of this study are limited to the studied context, it is considered generalizable in that the proposed method could effectively be adapted to retrieve corresponding findings in other contexts. / Denna studie föreslår att förbättra prediktionsförmågan hos en konsumentkreditriskmodell inom Buy Now, Pay Later (BNPL) genom att utnyttja detaljerad produktinformation. Analysobjektet i studien är Klarna Bank AB, som är den största BNPL-aktören i Sverige. I detta arbete genomförs en kvantitativ studie för att först och främst undersöka om det är möjligt att hitta produktkategorier som korrelerar mer med kreditrisk än vad de nuvarande produktkategorierna på Klarna gör. Detta ska undersökas genom att kategorisera redan accepterade ordrar i mer granulerade produktkategorier än Klarnas befintliga nivå. Därefter ska det undersökas hur mer detaljerad produktkategorisering kan förbättra en kreditriskmodell för BNPL-företag. Till sist genomförs en kvalitativ analys över vilken affärspåverkan en implementering av denna lösning skulle kunna innebära för Klarna Bank AB. Våra resultat visar att det är möjligt att hitta underkategorier som korrelerar starkare med kreditrisk än de befintliga kategorierna hos Klarna. Egenskaperna hos de produktkategorier med hög och låg risk överensstämmer med befintlig forskning inom konsumentbeteenden online och psykologi. Mer specifikt fann vi att lyxprodukter, ego-relaterade produkter, och produkter relaterade till beroendebeteenden hade den högsta risken. Vi bidrar också till befintlig forskning inom forskningsfältet för kreditrisk genom att finna att trendiga/nya produkter på marknaden har högre risk och att det borde beaktas vid kreditriskbedömning. Genom att tillämpa en hypotetisk kreditvärderingsmodell på en dataset av redan accepterade ordrar, som tog hänsyn till de nya detaljerade produktkategorierna, kunde prediktionsförmågan förbättras. Risker med att lägga till mer data i en kreditriskmodell måste dock övervägas innan den föreslagna lösningen implementeras. Vår studie visar på potentialen i att inkludera mer detaljerad produktkategoriinformation i ett consumer credit scorecard för BNPL-företag för att på så sätt förbättra riskprediktionsförmågan. Även om resultaten av denna studie är begränsade till den studerade kontexten, anses det vara generaliserbart genom att den föreslagna metoden effektivt skulle kunna anpassas för att hitta motsvarande resultat i andra kontexter.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-318198 |
| Date | January 2022 |
| Creators | Andersson, Mimmi, von Sydow Yllenius, Louise |
| Publisher | KTH, Skolan för industriell teknik och management (ITM) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-ITM-EX ; 2022:278 |
Page generated in 0.0021 seconds