Detalles clave

Los ingresos se han multiplicado por 2 gracias a una mejor segmentación de los clientes.

Cliente

El cliente es una agencia de cobro de deudas que cobra deudas de diversos sectores y clientes. Los principales clientes de la agencia son bancos, venta al por menorempresas estatales.

Reto: mejorar la eficacia del cobro de deudas con ayuda del análisis predictivo

Más de 1 500 agentes de cobro de todo el país atienden a unos 3,5 millones de deudores al mes y llegan a unos 2 millones de ellos mensualmente.

El proceso de cobro de deudas incluye los siguientes pasos:

1. conectarse con una cuenta
2. verificación de cuenta
3. promesa de pago
4. colección

Junto con el Director de Ciencia de Datos de la empresa, cuyo departamento ya había iniciado la implantación del aprendizaje automático para mejorar la toma de decisiones a lo largo del ciclo de vida de las colecciones, se decidió que Soluciones ESSID exploraría el potencial de análisis predictivo para identificar a los clientes con más probabilidades de reembolso.

La condición indispensable del encargo era permitir la ejecución de predicciones en la infraestructura MS SQL existente del cliente.

Solución: modelo de aprendizaje automático para predecir la probabilidad de promesa de pago

ESSID Solutions empezó a trabajar en un modelo de aprendizaje automático para predecir la probabilidad de promesa de pago de las cuentas verificadas. Unas predicciones precisas deberían conducir a una selección más prioritaria de las cuentas y, por tanto, a una mejora de los índices de cobro y una reducción de los costes.

El desarrollo del modelo predictivo incluyó algunos pasos importantes, como la construcción de una canalización para el procesamiento de datos y la creación de características en SQL Server, el entrenamiento del modelo predictivo basado en lightgbm, la construcción de una canalización para obtener predicciones.

Se asignó al proyecto un equipo formado por un ingeniero de datos y un científico de datos, que constaba de las siguientes fases:

Como resultado del proyecto, hemos proporcionado los siguientes productos al cliente:

• Módulo Python desplegable con:
  - Motor de procesamiento de datos
  - Motor predictivo
• Módulo Python desplegado en MS SQL 2017:
• Código fuente y documentación del proyecto.

Resultado: mayor eficacia del proceso de cobro de deudas

El modelo predictivo suministrado por ESSID Solutions predice con exactitud la probabilidad de promesa de pago de una cuenta.

El rendimiento del modelo se midió mediante la puntuación ROC_AUC. La puntuación ROC_AUC alcanzó ≈0,775, lo que supuso una mejora significativa para el Cliente.

Esto ofrece al cliente la posibilidad de optimizar el tiempo de los agentes de cobros, permitiéndoles centrarse primero en las cuentas más prometedoras.