Verbeterde verwerking van vorderingen voor het innen van schulden

Context en doelstellingen

Een creditmanagementbedrijf dat schulden int, moest meer analytische behendigheid ontwikkelen en efficiënter werken. De klant, die actief is in de invordering van schulden, werd geconfronteerd met een groeiend aantal te behandelen dossiers en de bemiddelaars die door de klant werden ingehuurd om schulden te innen, werden in bepaalde regio's overstelpt. De uitdaging lag in het selecteren van dossiers met een hoge kans op inning. Uit ervaring hadden ze gemerkt dat sommige schuldfactoren het inningspercentage bij de debiteuren beïnvloedden. Maar ondanks een schone database waren ze niet in staat om al deze elementen samen te brengen.

Eerst moesten gegevens worden verzameld om de segmenten te kunnen voorspellen en debiteurenprofielen te identificeren. Vervolgens moest de klant zorgen voor een regelmatige follow-up van de schulden door een optimale geografische dekking van deze bemiddelaars.

De klant wilde de aan hem toevertrouwde vorderingen verwerken om de efficiëntie, winstgevendheid en klantprestaties te verbeteren. Ze deden een beroep op Agilytic om snel een oplossing te leveren waarmee ze zich konden concentreren op zaken met een hogere kans op herstel, terwijl ze de beste route naar de bemiddelaars konden aanbevelen.

Benadering

We werkten met twee kernmodules om de verschillende verzoeken van de klant af te handelen en het invorderingsproces te vereenvoudigen:

1. Voorspellende module

We verzamelden gegevens uit de schulddossiers met informatie zoals het bedrag van de schuld, de activiteit van de schuldeiser en het regionale invorderingspercentage. Vervolgens bouwden we een historische dataset op van meer dan 150.000 eerdere vorderingen en verrijkten deze met externe gegevens om typische debiteurenprofielen gemakkelijker te kunnen identificeren.

Na deze fase van gegevensverzameling en analytische gegevensopbouw hebben we de vorderingen gesegmenteerd op basis van hun ontvankelijkheid voor het gebruikte incassokanaal en het type vordering.

Vervolgens ontwikkelden we een scoringsmodel om de waarschijnlijkheid van volledige invordering van een schuld te beoordelen, waarbij we de debiteuren identificeerden voor wie een gerechtelijke procedure een hoge waarschijnlijkheid van invordering heeft. Tijdens dit proces hebben we nauw samengewerkt met de klant om het resultaat te valideren. Samen beoordeelden we de werkaannames om de uiteindelijke kwaliteit van het model en de acceptatie door de klant te garanderen. We hebben het model getest op recent afgesloten zaken om de betrouwbaarheid in de loop van de tijd te beoordelen. Naast het volledig implementeerbare algoritme heeft de klant gedetailleerde uitleg gekregen over de beïnvloedende factoren.

Uiteindelijk pasten we dit toe op alle vorderingen. Zo konden we de debiteuren categoriseren op basis van hun ontvankelijkheid voor het te gebruiken incassokanaal en hun waarschijnlijkheid om geïnd te worden.

2. Module Geomarketing

De geografische indeling van de bemiddelingszones moest worden geoptimaliseerd om een eenvoudige follow-up van de lopende dossiers te garanderen. Om te beginnen hebben we elke postcode onderverdeeld in negen clusters.

We gebruikten de gegevens die in de Predictive Module werden verwerkt om de dekkingsgebieden van de bemiddelaars te optimaliseren en te versnellen. Hiervoor was de steun van de klant nodig om de beschikbare middelen (in termen van bemiddelaars) en de beperkingen die zouden zijn verbonden aan de verplaatsing van sommige van deze middelen nauwkeurig te definiëren.

Vervolgens ontwikkelden we een geocoderingsroutine voor adressen om de breedtegraad/lengtegraad te bepalen (via Google API) en elk adres toe te wijzen aan een cluster (een subcategorie van een postcode).

Door deze gegevens te verwerken, hebben we ook een rapportagesysteem opgezet om de individuele prestaties van de bemiddelaars te meten aan de hand van bepaalde criteria met betrekking tot de claims om de kwaliteit van de geografische dekking te bewaken.

Resultaten

We ontwikkelden een draagbare versie van de Geo-Marketing-applicatie en testten de oplossing in de omgeving van de klant. De geautomatiseerde applicatie controleert elke week of er een bestand aanwezig is, verwerkt het en stuurt het terug naar de klant.

De klant kan zich nu richten op de top 10% van de zaken met een gemiddeld inningspercentage van 90%. Met het enorme aantal schulden dat elk jaar wordt behandeld, is het van cruciaal belang voor de winstgevendheid om te weten waar de juiste tijd en moeite moet worden geïnvesteerd. Bovendien heeft de kwaliteit van de zaken die aan de bemiddelaars worden toegewezen een grote invloed op hun motivatie en productiviteit.

En de klant behaalde al deze resultaten in minder dan acht weken werk.