Principais pormenores

Aumento de 2 vezes das receitas devido a uma melhor segmentação dos clientes.

Cliente

O cliente é uma agência de cobrança de dívidas que cobra dívidas em vários sectores e clientes. Os principais clientes da agência são os bancos, retalho, empresas de telecomunicações, empresas públicas.

Desafio: melhorar a eficácia da cobrança de dívidas com a ajuda da análise preditiva

Mais de 1500 agentes de cobranças em todo o país lidam com cerca de 3,5 milhões de devedores por mês, contactando mensalmente cerca de 2 milhões de devedores.

O processo de cobrança de dívidas inclui as seguintes etapas:

1. ligar-se a uma conta
2. verificação da conta
3. promessa de pagamento
4. coleção

Em conjunto com o responsável pela ciência dos dados da empresa, cujo departamento já tinha iniciado a implementação da aprendizagem automática para melhorar a tomada de decisões ao longo do ciclo de vida das colecções, foi decidido que Soluções ESSID explorará o potencial de análise preditiva para identificar os clientes com maior probabilidade de reembolso.

A condição indispensável do trabalho era permitir a execução de previsões na infraestrutura MS SQL existente do cliente.

Solução: modelo de aprendizagem automática para prever a probabilidade de promessa de pagamento

A ESSID Solutions começou a trabalhar numa modelo de aprendizagem automática para prever a probabilidade de promessa de pagamento das contas verificadas. Previsões exactas devem conduzir a um direcionamento mais prioritário das contas e, consequentemente, a melhores taxas de cobrança e custos reduzidos.

O desenvolvimento do modelo preditivo incluiu algumas etapas importantes, como a construção de um pipeline para o processamento de dados e a criação de caraterísticas no SQL Server, o treino do modelo preditivo com base no lightgbm, a construção de um pipeline para obter previsões.

A equipa de um engenheiro de dados e de um cientista de dados foi afetada ao projeto, que consistiu nas seguintes fases

Como resultado do projeto, fornecemos os seguintes resultados ao Cliente:

• Módulo Python implementável com:
  - Motor de processamento de dados
  - Motor preditivo
• Módulo Python implementado no MS SQL 2017:
• Código fonte e documentação do projeto.

Resultado: maior eficácia do processo de cobrança de dívidas

O modelo preditivo fornecido pela ESSID Solutions prevê com precisão a probabilidade de promessa de pagamento de uma conta.

O desempenho do modelo foi medido pela pontuação ROC_AUC. A pontuação ROC_AUC atingiu ≈0,775, o que representou uma melhoria significativa para o Cliente.

Isto dá ao Cliente a capacidade de otimizar o tempo dos agentes de cobranças, permitindo-lhes visar primeiro as contas mais promissoras.