Operative Effizienz von Inkassounternehmen

ML in debt recovery
Kategorie:
Künstliche Intelligenz
Branche:
Fintech
Stadt:
Breslau
Zahlungsmodell:
Team Outsourcing
Kooperationsmodell:
Festpreis
Dauer:
6 Monate

Kunde

Eines der größten Inkassounternehmen in Polen, das mehr als 4 Millionen Kunden betreut, entschied sich bei zwei Projekten im Bereich KI/ML für die Zusammenarbeit mit uns. Das Vertrauen des Kunden resultierte aus unserer in der Vergangenheit gemeinsamen erfolgreichen Partnerschaft in den Bereichen Beratung und Schulung und unserer Erfahrung bei der Anwendung mathematischer Methoden im Forderungsmanagement.

Herausforderung

Die Bewertung von Forderungspaketen vor deren Ankauf ist einer der wichtigsten Bereiche eines Inkassounternehmens. Der gesamte Bewertungsprozess, der sorgfältig durchgeführt wird, ist zeitaufwändig. Gleichzeitig ist es in der Marktrealität unmöglich, so viel Zeit für die Bewertung eines Forderungspakets aufzuwenden. Da der Kunde nur über begrenzte Informationen über die Forderungen neuer Kunden verfügte und historische Rückzahlungsdaten für bekannte Kunden verwenden konnte, hatte er die Grundlage für die Erstellung seines eigenen Bewertungsmodells, das genau auf die Bedürfnisse und Besonderheiten seiner Kunden zugeschnitten war.

Das Ziel des Kunden bestand nicht nur darin, einzelne Portfolios genauer zu bewerten, sondern auch genauere Informationen zu liefern, die erklären, warum eine bestimmte Bewertung vorgenommen wurde. Auf diese Weise können die Analysten, die die Schuldenpakete bewerten, denjenigen, die die endgültigen Entscheidungen über den Kaufpreis treffen, zusätzliche Informationen zur Verfügung stellen. Dadurch wurden effizientere Entscheidungen beim Kauf von Schulden möglich.

Lösung

Der Hauptgedanke des Projekts war die Entwicklung einer alternativen Methode zur bestehenden Methode, die Bewertung von Schuldenpaketen vor deren Kauf, um so eine möglichst genaue, wiederholbare und schnelle Bewertung eines Schuldenpakets zu erhalten. Das Schlüsselelement dazu war die Vorhersage der Rückzahlungsquote der gekauften Schulden. An dem Projekt war ein vierköpfiges Team beteiligt, das aus drei Analysten und einem Programmierer bestand und von einem Experten für Datenanalytik geleitet wurde.

Produkt-Workshops 

Die erste Phase des Projekts bestand aus einer Reihe von Workshops zur Identifizierung:

– des Umfangs des Projekts (einschließlich der Arten der zu bewertenden Schuldenportfolios),

– der Funktionalität der Lösung.

Bewertung der Kriterien für die Validierung des Datenmodells 

Wir schlugen ein recht komplexes Validierungsschema vor, um die Bedingungen widerzuspiegeln, unter denen das Modell eingesetzt werden soll. Zu diesem Zweck verwendeten wir benutzerdefinierte Methoden, die auf historischen Daten und multivariaten Statistiken (mit Optimierung) basieren. Diese Methoden wurden entwickelt, um sowohl die Flexibilität der Methode als auch die Genauigkeit der Rückzahlungsprognose zu gewährleisten.

Unser Ziel war es, Recheneigenes bereitzustellen, die mit Daten gefüttert werden und als Ergebnis Vorhersagen liefern. Die Anwendungen, die für die Preisgestaltung verwendet wurden, wurden beim Kunden vor Ort erstellt, während unsere Engine mit Daten gefüttert wurde und die Ergebnisse erhielt.

Aufbau eines Paketpreismodells 

Ziel der Erstellung des Modells ist es, eine möglichst genaue, reproduzierbare und schnelle Bewertung des Schuldenpakets zu erreichen.

Es gibt mehrere Ansätze zur Modellierung auf der Grundlage von ML / KI, die für eine solche Aufgabe verwendet werden können. Die Wahl hängt von der Größe der Datenbank, der Anzahl der Schuldner, der Bereitschaft. längere Berechnungen durchzuführen, sowie anderen Faktoren ab. Die Wahl eines Ansatzes ist keine einfache Aufgabe, denn sie erfordert ein Verständnis der Bedürfnisse des Kunden, seiner geschäftlichen Einschränkungen und dem Umfang sowie der Qualität der Daten.

Die von uns gewählten Ansätze waren:

  • Abstandsmethoden – Die Methode bestand darin, ein Schuldenpaket auf der Grundlage des historischen Verhaltens ähnlicher Pakete zu bewerten, die das Inkassounternehmen zuvor gekauft hatte. Die Anwendung des Ansatzes erfordert die Vorbereitung einer (Mikro-)Segmentierung der Pakete, die Definition eines für den Zweck geeigneten Ähnlichkeitsmaßes, die mehrdimensionale Optimierung der Parameter (z. B. die Anzahl der Pakete, die wir bewerten) und die Entwicklung von Messgrößen, die eine zuverlässige Validierung der Lösung ermöglichen.
  • Mehrdimensionale Look-up-Tabelle – Der Ansatz bestand darin, historische Fälle anhand der sie beschreibenden Merkmale in kleine Parzellen zu unterteilen. Dazu wurden die numerischen Merkmale in einzelne Bereiche unterteilt. Im nächsten Schritt wurde ein großes Paket von bewerteten Fällen auf analoge Weise unterteilt. Das Verhalten jedes der resultierenden Pakete von bewerteten Fällen wird auf der Grundlage des Verhaltens des entsprechenden Pakets historischer Fälle vorhergesagt.
  • Regressionsansatz – ein Regressionsmodell für maschinelles Lernen, das für jeden Fall auf der Grundlage eiens Bündels seiner Merkmale einen Verwertungsprozentsatz vorhersagt.

Iterationen des Paketpreismodells 

In weiteren Schritten lieferten wir schrittweise verbesserte Modelle zur Integration in das System des Kunden. Nach ersten Tests und Analysen der Ergebnisse stellte sich heraus, dass die zu Beginn des Projekts getroffenen Annahmen nur geringfügig geändert werden mussten. Trotzdem waren damit erhebliche Auswirkungen verbunden. Dies ist eine typische Situation bei Projekten, die mathematische Methoden verwenden. Dank der guten Vorbereitung des Codes, der die Modelle erstellt, und der kontinuierlichen Bereitstellung in der nächsten Iteration der Modellierung konnten die Änderungen schnell eingefügt werden.

Ergebnisse

Das Projekt war erfolgreich, die Lösung wird nun zur Bewertung von Portfolios eingesetzt. Die für Bewertungsexperten erstellten Berichte helfen den Teams des Kunden, die Gründe für die Preisbildung der Algorithmen zu verstehen und erleichtern manuelle Anpassungen (falls erforderlich, z. B. aufgrund unzureichender historischer Daten).

Der Kunde schätzte die erfolgreiche Zusammenarbeit und die gute Kommunikation innerhalb des Teams sehr, insbesondere unsere Fähigkeit, sich flexibel an die Anforderungen anzupassen. Darüber hinaus machten wir Vorschläge, wie die Ergebnisse und zusätzlichen Analysen in einem Bericht für Analysten, die Schuldenportfolios bewerten, dargestellt werden können. Dies erwies sich als eine große Hilfe im Bewertungsprozess.

„Wir waren beeindruckt von der Entwicklung spezieller Algorithmen für unsere Daten und Bedürfnisse.” Vorstandsmitglied & CIO, Inkassounternehmen 

Technologien


Virtuelle Anprobe von Kleidung in Online-Shops

Design, Entwicklung, DevOps oder Cloud - welches Team brauchen Sie, um die Arbeit an Ihren Projekten zu beschleunigen?
Chatten Sie mit unseren Beratungspartnern, um herauszufinden, ob wir gut zusammenpassen.

Jakub Orczyk

Vorstandsmitglied /Verkaufsdirektor

Buchen Sie eine kostenlose Beratung
kuba (1)