Détails clés

Les recettes ont été multipliées par deux grâce à une meilleure segmentation de la clientèle.

Client

Le client est une agence de recouvrement de créances qui recouvre des dettes auprès de divers secteurs et clients. Les principaux clients de l'agence sont les banques, commerce de détailles entreprises de télécommunication, les entreprises publiques.

Défi : améliorer l'efficacité du recouvrement des créances à l'aide de l'analyse prédictive

Plus de 1500 agents de recouvrement à travers le pays traitent environ 3,5 millions de débiteurs par mois et contactent environ 2 millions d'entre eux chaque mois.

Le processus de recouvrement de créances comprend les étapes suivantes :

1. se connecter avec un compte
2. vérification du compte
3. promesse de paiement
4. collection

En collaboration avec le responsable de la science des données de l'entreprise, dont le département avait déjà commencé à mettre en œuvre l'apprentissage automatique pour améliorer la prise de décision tout au long du cycle de vie des collections, il a été décidé que Solutions ESSID explorerait le potentiel des analyse prédictive pour identifier les clients les plus susceptibles de rembourser.

La condition indispensable de la mission était de permettre l'exécution des prédictions sur l'infrastructure MS SQL existante du client.

Solution : modèle d'apprentissage automatique pour prédire la probabilité d'une promesse de paiement

ESSID Solutions a commencé à travailler sur un modèle d'apprentissage automatique pour prédire la probabilité d'une promesse de paiement de la part des comptes vérifiés. Des prévisions précises devraient permettre de mieux cibler les comptes et donc d'améliorer les taux de recouvrement et de réduire les coûts.

Le développement du modèle prédictif a comporté quelques étapes majeures, telles que la construction d'un pipeline pour le traitement des données et la création de caractéristiques dans SQL Server, l'entraînement du modèle prédictif basé sur lightgbm, la construction d'un pipeline pour l'obtention de prédictions.

L'équipe composée d'un ingénieur de données et d'un scientifique de données a été affectée au projet, qui comprenait les étapes suivantes :

Dans le cadre de ce projet, nous avons fourni au client les produits suivants :

• Module Python déployable avec :
  - Moteur de traitement des données
  - Moteur prédictif
• Module Python déployé dans MS SQL 2017 :
• Code source et documentation du projet.

Résultat : amélioration de l'efficacité du processus de recouvrement des créances

Le modèle prédictif fourni par ESSID Solutions prédit avec précision la probabilité de promesse de paiement d'un compte.

La performance du modèle a été mesurée par le score ROC_AUC. Le score ROC_AUC a atteint ≈0,775, ce qui représente une amélioration significative pour le client.

Le client a ainsi la possibilité d'optimiser le temps des agents de recouvrement, en leur permettant de cibler d'abord les comptes les plus prometteurs.