Druk maar niet winstgevend
in Fintech

Het korte antwoord

Hoge TPV en dunne contribution margin is een productmixprobleem waarbij lenen omzet met een 7x multiple heeft omgezet in omzet met een 2x multiple. Wat dit voor fintechbedrijven moeilijker maakt is structureel: lenen heeft de P&L vastgezet en zet omzet met een 7x multiple om in omzet met een 2x multiple. Elk geloofwaardig antwoord moet daarom blended take rate en charge-off rate in dezelfde blik houden, precies waar de meeste interne analyses stoppen omdat de twee in verschillende systemen zitten.

Wanneer TPV groot is en contribution margin laag blijft, is het instinct om naar operationele kosten te kijken. Sommige kosten kunnen omlaag, maar dat verandert het resultaat niet omdat de oorzaak upstream zit: het betalingsvolume en de geaccepteerde merchant accounts vereisen lenen dat de blended take rate omlaag reset.

Het patroon herhaalt zich over kanalen. Een kleine set merchantsegmenten of originationbronnen levert positieve contribution margin na charge-offs. Een lange staart volume houdt de warehouse facility en operaties bezet terwijl het weinig of niets toevoegt aan de margin. Omdat de lage-marge stroom capaciteit bezet, kan het hogere-marge werk niet schalen — de limiet is niet vraag maar het feit dat de facility al is toegewezen aan de verkeerde mix.

De correctie is een selectieregel op basis van contribution margin per kanaal en merchanttype, geen efficiëntieslag. Zodra elke TPV-bron kan worden gerangschikt op netto-effect op margin na charge-offs en CAC, wordt de keuze welk volume te accepteren of af te wijzen mechanisch.

Fintech-operators bereiken dit punt wanneer TPV en merchantaantal stijgen terwijl netto-omzet en contribution margin dat niet doen: lenen wordt toegepast op een groter deel van de flow, de blended take rate daalt en warehouse-draws nemen toe zonder overeenkomstige stijging van margin. Geen extra product of marktuitbreiding lost het op totdat de mix van geaccepteerd volume verandert.

Hoe je ziet dat dit jouw probleem is

Deze drie samen zijn het kenmerk. Eén op zichzelf wijst meestal ergens anders op.

✓ TPV en merchantaantallen stijgen terwijl contribution margin vlak blijft of daalt en de warehouse facility volledig getrokken blijft
✓ Identificeren welke kanalen of merchantcohorten vorige periode positieve contribution margin opleverden vraagt een eenmalige analyse in plaats van een standaardrapport
✓ Elke categorie volume of merchants afwijzen voelt onmogelijk omdat het gerapporteerde TPV zou verlagen, ook als de contribution margin op dat volume negatief is

De stap die het meestal erger maakt. Extra warehousecapaciteit of kapitaal ophalen om meer volume op te vangen, wat simpelweg de facility vergroot die aan de lage-marge mix is toegewezen en dezelfde P&L-compressie op grotere schaal herhaalt.

Who this is for — and who it is not

It is for you if you run or finance a fintech and everyone is fully occupied and cash is tight. It is the situation where the numbers are available but nobody has put them in an order that produces a decision.

It is not for you if Percision is the wrong tool if you already know the answer and only need execution capacity, or if the business is pre-revenue — then the constraint is evidence about the market, not analysis of your own figures. Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library. Also wrong if you need facilitation, politics, or someone to sit with a lender or buyer. Those are human jobs.

Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library.

Hoe dit eruitziet als de analyse echt draait

Below is an excerpt from a real run of this analysis on een fintech. It is a sample profile rather than a customer, and it is engine output translated from English — this is the format you get, on your own numbers.

The subject is Verrano Pay, a sample company profile used for testing rather than a customer — $84M net revenue, 28,000 merchants, $9.4B of payment volume.

This is one move out of a full analysis. Read a complete report — every page, no email required.

Wat de engine met deze vraag doet

This question routes to Proprietary EFF Methodology, one of 29 engagements the platform runs. For fintechbedrijven it works through blended take rate, charge-off rate, contribution margin and CAC by channel, then produces the sequence rather than a list of options — which move first, what it funds, and the observation that would say the sequence is wrong.

You watch the analysis get built before paying anything. Lees hier een volledig rapport if you would rather see the depth first.

Vragen die mensen hierover stellen

Hoe weet je welk werk je moet stoppen?

Rangschik op contribution per eenheid van je echte constraint — machine-uur, factureerbaar uur, leveringsslot, vierkante meter. Niet op omzet en niet op brutomargepercentage, die allebei structureel het verkeerde werk bevoordelen als de constraint capaciteit is.

Werkt afwijzen de relatie schade toe?

Soms, en het is meestal goedkoper dan het alternatief. In de praktijk zorgt een prijs die weerspiegelt wat het werk verbruikt er ofwel voor dat de account winstgevend wordt of dat hij naar een concurrent gaat, en beide uitkomsten zijn beter dan de huidige.

Is dit een prijsprobleem of een efficiëntieprobleem?

Test het: als elk project perfect zou lopen met nul verspilling, zouden de dunne dan geld opleveren? Als het antwoord nee is, ligt het aan prijs en selectie, en haalt geen efficiëntieprogramma het.

Is this different in fintech than in other industries?

Materially, yes. Lending fixed the P&L and converts revenue worth a 7x multiple into revenue worth a 2x multiple — which changes both the diagnosis and the order of the fixes. The metrics that decide it here are blended take rate, charge-off rate, contribution margin, and an answer built on industry-general benchmarks will usually point at the wrong one first.

What data do I need before this analysis is worth running for a fintech?

Less than most people expect. Your last twelve months of revenue and cost split the way you already split it, plus whatever you hold on blended take rate and charge-off rate. The analysis is explicit about what it is assuming where your data stops, which is more useful than waiting for numbers you may never have.

When is Percision the wrong tool?

Percision is the wrong tool if you already know the answer and only need execution capacity, or if the business is pre-revenue — then the constraint is evidence about the market, not analysis of your own figures. Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library. Also wrong if you need facilitation, politics, or someone to sit with a lender or buyer. Those are human jobs.

Does Percision replace a lawyer, tax advisor, auditor, or AI implementation team?

Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library.