Wichtige Details

Zweimalige Umsatzsteigerung durch verbesserte Kundensegmentierung.

Kunde

Der Kunde ist ein Inkassobüro, das Forderungen in verschiedenen Branchen und für verschiedene Kunden eintreibt. Die Hauptkunden des Büros sind Banken, EinzelhandelTelcos, staatliche Unternehmen.

Herausforderung: Verbesserung der Effektivität des Forderungseinzugs mit Hilfe von prädiktiver Analytik

Mehr als 1500 Inkassobeauftragte im ganzen Land befassen sich mit etwa 3,5 Millionen Schuldnern pro Monat und erreichen monatlich etwa 2 Millionen von ihnen.

Das Inkassoverfahren umfasst die folgenden Schritte:

1. mit einem Konto verbinden
2. Kontoüberprüfung
3. Zahlungsversprechen
4. Sammlung

Zusammen mit dem Leiter der Abteilung Data Science des Unternehmens, dessen Abteilung bereits mit der Implementierung von maschinellem Lernen begonnen hatte, um die Entscheidungsfindung im gesamten Lebenszyklus der Kollektionen zu verbessern, wurde beschlossen, dass ESSID-Lösungen würde das Potenzial von prädiktive Analytik um die Kunden zu ermitteln, die am ehesten bereit sind, ihre Schulden zurückzuzahlen.

Die unabdingbare Voraussetzung für den Auftrag war, dass die Vorhersagen auf der bestehenden MS SQL-Infrastruktur des Kunden laufen.

Lösung: Modell für maschinelles Lernen zur Vorhersage der Wahrscheinlichkeit von Zahlungsversprechen

ESSID Solutions begann mit der Arbeit an einem maschinelles Lernmodell zur Vorhersage der Wahrscheinlichkeit eines Zahlungsversprechens von verifizierten Konten. Genaue Vorhersagen sollten zu einer gezielteren Ausrichtung der Konten und damit zu verbesserten Einzugsquoten und geringeren Kosten führen.

Die Entwicklung des Vorhersagemodells umfasste einige wichtige Schritte, wie den Aufbau einer Pipeline für die Datenverarbeitung und die Erstellung von Merkmalen in SQL Server, das Training des Vorhersagemodells auf der Grundlage von Lightgbm und den Aufbau einer Pipeline für die Erstellung von Vorhersagen.

Ein Team aus einem Dateningenieur und einem Datenwissenschaftler wurde mit dem Projekt betraut, das die folgenden Phasen umfasste:

Als Ergebnis des Projekts haben wir dem Kunden die folgenden Leistungen erbracht:

• Einsetzbares Python-Modul mit:
  - Datenverarbeitungsmaschine
  - Vorhersage-Engine
• Python-Modul in MS SQL 2017 implementiert:
• Quellcode und Dokumentation des Projekts.

Ergebnis: verbesserte Effizienz des Inkassoprozesses

Das von ESSID Solutions gelieferte Prognosemodell sagt die Wahrscheinlichkeit eines Zahlungsversprechens für ein Konto genau voraus.

Die Leistung des Modells wurde anhand des ROC_AUC-Wertes gemessen. Der ROC_AUC-Wert erreichte ≈0,775, was eine erhebliche Verbesserung für den Kunden darstellt.

Dies gibt dem Kunden die Möglichkeit, die Zeit der Inkassomitarbeiter zu optimieren, so dass sie sich zuerst um die vielversprechendsten Konten kümmern können.