Hutch Carpenter - eFinance write-up Oct 2015

Hutch Carpenter 
Description of HERC project at eFinance 
Project: Revamp credit scorecards for Hertz Equipment Rental Corp. 
Hertz Equipment Rental Corp.​ (HERC) is an industry leader in 
construction equipment rental (pumps, lifts, backhoes, etc.).  
In 2003, HERC engaged eFinance to improve and automate  
their credit scorecards. Their business objectives were: 
● Fast decisions to customers 
● Establish a rigorous credit score for each customer 
● Reduce write­offs 
● Reduce costs to provide credit assessments 
Core need: External and internal scorecards 
HERC needed scorecards for two situations. When a customer was new, they needed external 
scorecards. These scorecards would be based on Dun & Bradstreet credit information. When 
credit decisions were needed for existing customers (e.g. increased limits, collections handling), 
internal scorecards would leverage internal transaction and payment data. 
Key elements of the project 
HERC provided access to a large set (hundreds of thousands) of data: customer accounts, 
rental information, payment information, write­offs. We worked with D&B to pull historical credit 
file information for customers at the time their accounts were opened. 
Linear regression was used. While logistic regression was better suited (i.e. measuring a binary 
outcome: write­off or not), at the time the need for expedited work required reducing the learning 
curve for new tools. I knew linear regression well, and it would provide ​analysis comparable to 
logistic​. Similarly, Microsoft Access was used to run data analysis, as I did not know SQL. 
Key activities during the project included: 
● Determine what outcomes were to be measured 
● Hypothesizing which factors would produce better predictive results 
● Creating new data for use in the analysis 
● Transforming data to make it more useful 
● Running correlations on data from six months prior to assess predictive ability 
● Analyzing regression results and iterating the models to improve them 
● Adjusting data sets based on outliers and demographic characteristics 
● Running models generated from one sample on a control group to assess their integrity 
● Working closely with HERC executives to incorporate their insights and to ensure buy­off 
on the final models   
Hutch Carpenter ­ eFinance HERC Project 1 
Examples: Creating, transforming and adjusting data 
In hypothesizing factors that would provide predictive insights, I created several new variables 
that became part of the scorecards. 
Average Open Days (AOD)​: The average time a customer’s invoices have been open, weighted 
by dollar amount. This input was not tracked by HERC, but made sense as a marker for 
companies that would be struggling. HERC had only tracked ​Average Pay Days​ (APD; how long 
it took customers to pay on invoices). AOD provided better correlation to write­offs than APD. 
Average Pay Days trend​: HERC tracked APD, but did not know about the trend in APD. I 
created a new variable that captured the trend in APD (increasing, decreasing, stable) over 
SIC write­off percent​: HERC tracked the SIC code for customers. But it wasn’t using this 
information for scorecard assessments. I analyzed the write­offs by SIC; this became their 
industry write­off experience. The demographic­based data became part of their scorecards. 
Credit Score Class­Company size groups​: D&B’s Credit Score Class (CSC) showed good 
predictive potential, but the correlations were diminished by large companies. Large firms would 
have poor CSC, but were not written off generally. I created a new variable that combined a 
company’s CSC with its size. This new variable was powerful in predicting write­offs. 
Data transformations​: In addition, basic data transformations were done to make the inputs 
more useful. For example, I used the natural log function to smooth the distribution of Number of 
Employees and Time in Business. 
Data adjustments​: One customer was skewing the regression models as a write­off despite 
good credit stats. This customer was disputing its obligations for equipment stolen from a 
construction site. This was a business, not credit, issue. Separately, large sized customers were 
analyzed separately, on their own internal scorecard. 
Anecdotal example of scorecards’ benefit: Kenny Manta 
During the course of the project, a large national customer (Kenny Manta) defaulted on its 
invoiced amounts to HERC. Kenny Manta had not previously been written off. So the customer 
became a test of the power of the new internal scorecard. 
I took the data that was available for Kenny Manta ​six months prior to the default​. Running the 
credit scoring algorithm on Kenny Manta resulted in a Risk Rating of 8. On a 1 (best) ­ 10 
(worst) scale, an ‘8’ is among highest risk customers. If HERC had the internal scorecard at the 
time, they would have had advanced warning prior to the write­off. 
The Kenny Manta analysis solidified HERC’s confidence in the statistical approach to credit 
Hutch Carpenter ­ eFinance HERC Project 2 
Analysis tied directly to outcomes 
A key aspect of the data analysis was to ensure the statistical models matched the outcomes 
that HERC was seeking. These objectives defined whether the scorecard algorithm was 
successful or not. An example of this approach is shown below. It shows the results of running a 
scorecard on a sample of customers.  
  Risk Ratings 
  1  2  3  4  5  6  7  8  9  10 
# Write­offs  2  7  16  3  1  4  4  9  11  2 
# Accounts  1,047  1,196  457  43  20  35  11  55  59  3 
Write­off %  0.2%  0.6%  3.5%  7.0%  5.0%  11.4%  36.4%  16.4%  18.6%  66.7% 
Revenue (000)  $68,331.5  $146,841.8  $54,545.6  $5,613.4  $2,023.3  $5,400.8  $1,285.4  $9,441.5  $7,812.8  $442.5 
Net write­offs  $51.0  $156.3  $282.4  $22.2  $115.7  $53.9  $61.5  $333.5  $755.8  $115.9 
  0.1%  0.1%  0.5%  0.4%  5.7%  1.0%  4.8%  3.5%  9.7%  26.2% 
Key scorecard characteristics for HERC: 
● High percentage of good accounts scored Risk Rating 1, 2, 3 
● High percentage of bad accounts scored 8, 9, 10 
● High percentage of “good” revenue covered by Risk Ratings 1, 2, 3 
● High percentage of dollar write­offs covered by Risk Ratings 8, 9, 10 
HERC implemented four statistically derived scorecards, two each for external (new) customers 
and internal (existing) customers. Based on the analysis, HERC stopped using full D&B data 
reports, switching to using only a subset of the data. They made this decision directly because 
of the data analysis that I provided to them. The combination of operational efficiencies and 
reduced data costs generated an estimated $500,000 savings per year. 
These scorecards were implemented in 2003. As of this October 2015 write­up, HERC 
continues to use them. 
Hutch Carpenter ­ eFinance HERC Project 3 

More Related Content

Similar to Hutch Carpenter - eFinance write-up Oct 2015

Greene, DavidGreene, David
Greene, DavidDavid Greene
28 views2 slides

Similar to Hutch Carpenter - eFinance write-up Oct 2015(20)

Greene, DavidGreene, David
Greene, David
David Greene28 views
Sai Shakti Patro_Resume_2017Sai Shakti Patro_Resume_2017
Sai Shakti Patro_Resume_2017
Sai Patro255 views
Neeraj kumar.pdfNeeraj kumar.pdf
Neeraj kumar.pdf
NeerajKumarWadhwa65 views
Resume - Sr. Business AnalystResume - Sr. Business Analyst
Resume - Sr. Business Analyst
Mrs. Terry-Lee Hollister1.9K views
Resume - Imtiaz Ahamed (1)Resume - Imtiaz Ahamed (1)
Resume - Imtiaz Ahamed (1)
imtiaz9292330 views
Kiran Adtani_ResumeKiran Adtani_Resume
Kiran Adtani_Resume
Kiran Adtani132 views
Mahadev Biradar292 views
Arvind Pal_ResumeArvind Pal_Resume
Arvind Pal_Resume
Arvind Pal273 views
Case Study Atom RevitilizationCase Study Atom Revitilization
Case Study Atom Revitilization
Thinksoft Global654 views
Bhanu Chand259 views
priyanka singh217 views
Tamara Brocius - 5-30-2015Tamara Brocius - 5-30-2015
Tamara Brocius - 5-30-2015
Tamara Brocius97 views
About Rixyncs Inc Ver 1.0About Rixyncs Inc Ver 1.0
About Rixyncs Inc Ver 1.0
skumar063287 views
CDS Service CDS Service
CDS Service
cds php568 views
Preparation of Project ReportPreparation of Project Report
Preparation of Project Report
guest821cf8f1.5K views
Preparation of Project ReportPreparation of Project Report
Preparation of Project Report
Sunny Sabharwal31K views

Hutch Carpenter - eFinance write-up Oct 2015