インターン生の声【第２１稿】（Nori）

ここ九時間ほど上司のSophalと話し合って決めた仕事内容である、Agribuddyが抱える各メンターの融資決定率、州ごとの融資決定率(Disbursed + Paid + Paying + Turnover)を、一枚のSpreadsheetを見ながら、計算していました。

Agribuddyでは農家が融資を受ける際に、Buddyがサポートします。そのBuddyを束ねるのがメンターです。よって融資決定率は、メンターのパフォーマンスの一つの指標であると言えます。

Agribuddyでは、農家さんがAMKという銀行から融資を受けて初めて、そのお金でAgribudyの製品であるPOP(Package of Product、肥料、種子など)を購入するという仕組みであるので、融資決定率が高いということは非常に重要であると言えます。

データを分析してみると、州ごとでは最低の融資決定率であるPaillimと最高のKampong Thomでは25%の差がありました。それに融資が決定した後に農家さんが取りやめてしまうTurn-Overが起こるケースも、州によって大きなばらつきがあったりしました。(機密情報なのであまり深堀できなく、すいません。)融資が上手くいかない際には、様々な要因があると思います。農家さん自身の金銭的な要因などです。しかしTurn-Overが高い州では、最後の一押しのコミュニケーションが足りてないのではないかなどいろいろと考えさせられました。

同じインターン生であるサケミさんに、データを分析する時には、どういった提言ができるかまで考えるべきだというアドバイスをいただきました。それまではただ漠然と数値を取ろうとしていました。そういう視点で見ると、一つ一つの変数の意味も気になるようになったり、どういった数値が欲しいかがわかるようになりました。　またマクロな視点から見れば、融資を受ける際のどのプロセスが、Agribuddyのサポートによって改善しえるのかということを調べるのも面白いというアドバイスもです。例えば、Buddy自ら融資を辞退したケースと銀行に拒否されたケースでは、後者の方がAgribuddyの改善点が見受けられます。経験豊富な先輩に教えてもらえるのも、Agribuddyのインターンの良いところだと思います。

融資決定率がとても低いメンターさんは、実際に最近辞めたとSophalがいっていて、机上のデータでもわかることがあると思いました。また彼も、このパーセンテージを興味深そうに見ていて、満足する結果でした。目に見えないところを可視化すというのは大事な作業であると感じました。

データが分かっていれば、ビジネスの経験のない私でもこれだけの推測が建てられ、方法が提言できる。データ集めを重視しているAgribuddyの強さの秘密がここにある気がします。

About 9 hours, I worked on calculating the disbursed rate(Disbursed+Paid+Paying+Turnover) respect to the each mentor and the province with looking a raw data spreadsheet. This task is given by my boss, Sophal. True disbursed rate is one of AB's KPI since most of the farmers are not able to purchase our products without loan.

In Agribuddy(AB), Buddy supports the loaning process of the farmers, and the mentors manage the performance of buddies. Thus, the true disbursed rate(DR) is an index of the mentor performance.  

After I analyzed the data, there was 25% disparity between the lowest DR, Paillim and the highest, Kampong Thom in the province wise. Also, the case of Turn-Over had the huge disparity between the provinces. Multiple factors can be considered in the case of the failure in loaning. For example, the farmer was rejected by AMK due to his lack of financial asset. However, in the case of TO, I wandered the absence of one final push because TO means that the AMK has already disbursed the loan, there is a possibility that they find a new borrower.

Sophia told me that the mentor with very low DR quitted recently. I felt the real connection between data and the actual operation. He was looking into the percentage which I calculated with interest. I was satisfied, and thought that making hinder parts visible is a very important task.

The other intern-student Mr.Sakeni advised me that I should think about what opinions I will propose when I analyze data. Before the advice, I was vaguely calculating the numbers. With more foreword-lean attitude, I care more about the meaning of each variable, and automatically notice what kind of numbers I need. With Macro-perspective, it is interesting that which part of loaning process specifically can be improved through more courteous support from AB. For example, if I compare the case between Buddy cancelled loaning by himself, and the bank rejected loan, the later has more room to the improvement of AB's service. It is one of the great things of AB intern that an experienced senior can teach you if you are willing to grow up.

If I know data, I can build a prediction and propose the solution. I felt that the strength of AB which collects numerous data of their operation.