Potențialul învățării automate

Cum se transformă colectarea creanțelor într-un proces digital? Analiștii de date de la EOS Holding cunosc răspunsul. Motto-ul lor: experiența este bună, dar cu tehnologia potrivită, devine și mai bună.

Annual Report

Căutarea și găsirea de soluții bazate pe experiența vastă este o idee foarte bună. La EOS, acest lucru a funcționat foarte bine de peste 40 de ani. Până acum, când un client preda o creanță către EOS, sistemele de colectare a datoriilor le recomandau agenților de colectare cele mai bune acțiuni. Aceștia trimiteau o scrisoare către persoana care întârziase la plată, de exemplu, deoarece scrisorile obținuseră rezultate bune în ultimele decenii. Acum, însă, compania combină know-how-ul în managementul creanțelor cu modelele algoritmice și învățarea automată. Din iunie 2017, punctul central de acces al companiei EOS pentru analiza datelor a fost Centrul de analiză (CoA) din Hamburg, Germania. Patrick Witte, manager de departament pentru Business Analytics la CoA, explică scopul său: "În viitor, vom putea ajunge la decizii și mai precise și obiective cu privire la modul cel mai adecvat de abordare a unei persoane cu restanțe la plată.".

În viitor, vom putea ajunge la decizii și mai precise și obiective.
Patrick Witte, Team Manager Business Analytics

Avantajul de a ști în avans cum funcționează lucrurile

"Piesa de rezistență a sistemului nostru este platforma analitică. Aceasta gestionează un volum mare de date și le structurează ", spune Joachim Göller, șeful Centrului de analiză. Platforma este formată din două elemente. Segmentul utilizat de dezvoltatori conține date acumulate de EOS în trecut. Acestea sunt pseudonime, ceea ce înseamnă că nu pot fi trase concluzii cu privire la persoanele cu restanțe la plată.

Cercetătorii de date caută tipare pentru a programa modele. De exemplu, un astfel de model poate prezice probabilitatea ca o persoană să-și achite suma restante în următoarele trei luni. Un alt model ar putea calcula cât de mari sunt perspectivele de succes atunci când trimiteți o scrisoare. Un al treilea model ar putea determina, de exemplu, rata de succes a unui apel telefonic. "Cu ajutorul acestor modele, putem iniția cea mai bună măsură de colectare a creanțelor ulterioare", spune dl. Witte.

 

How does digital debt collection work at EOS?

Exemplele preliminare realizate la EOS arată cum funcționează procesul de colectare a creanțelor digital la EOS. Pentru că cea de-a doua zonă a platformei analitice a început să lucreze live cu creanțe reale. Modelele testate cu succes sunt puse în practică aici. Acestea oferă sistemele de colectare a datoriilor interconectate cu informații pentru a determina următorul pas ideal în procesul de recuperare a datoriilor. 

"În Germania, proiectul privind deciziile bazate pe date (“Data Driven Decisions”) este legat de platformă împreună cu noul sistem de colectare a datoriilor "Best Next Inkasso", pe care o echipă de proiect o dezvoltă în prezent", explică dl. Witte. Cu "Best Next Inkasso" EOS a început să proceseze creanțele selectate. "Când primim o nouă creanță, noul sistem calculează în timp real ce măsură este cea mai potrivită astfel încât să le permită agenților de colectare să reușească să colecteze respectiva creanță în cel mai scurt timp posibil", explică dl. Witte. Apoi, modelul analizează în ce măsură acțiunea s-a finalizat cu succes. Astfel, cu ajutorul învățării automate, previziunile devin tot mai exacte.

Planurile sunt ca și alte sisteme de colectare a datoriilor din cadrul Grupului EOS să fie conectate la această platformă, până la sfârșitul anului 2018. Se va adăuga sistemul "Oyo" din Franța și sistemul "Kollecto" într-o țară din Europa de Est. Treptat, compania va iniția cea mai eficientă operațiune ulterioară în procesul de colectare a datoriilor. "Bazându-ne pe date solide în loc de doar câteva decenii de experiență, putem obține rezultate și mai bune pentru clienții noștri și clienții clienților noștri", spune dl. Göller.

 

Aceasta a fost provocarea: datele se transformă în informații și decizii

Centrul de analiză (CoA) din Hamburg, Germania, produce instrumente digitale de auto-învățare care evaluează și utilizează date pseudonime din procesul de colectare a datoriilor. Pe baza informațiilor obținute, se pot lua decizii solide cu privire la ce măsură de colectare a datoriilor ar trebui aplicată în continuare pentru a obține cele mai bune rezultate. Analizele de date îmbunătățesc astfel procesele și rezultatele în colectarea creanțelor.

distribuire

Imprimare