Индивидуальная стратегия для клиента: как продуктовых подход и технологии машинного обучения помогают ПКО «Защита Онлайн» улучшать свои бизнес-показатели

Сегодня искусственный интеллект постепенно проникает во все сферы жизни. Коллекторский бизнес — не исключение, а один из активных участников внедрения высоких технологий на рынке финансовых решений. О том, как технологии машинного обучения помогают повышать эффективность взыскания и находить индивидуальный подход ко всем должникам, рассказали в отделе развития стратегий ПКО «Защита Онлайн».

Начнем с того, что взыскание — это непросто. В арсенале коллекторского агентства множество портфелей долгов — сотни и тысячи данных людей, которые нужно не просто обработать, но и проанализировать, чтобы добиться возврата средств. Для этого мы используем большое количество признаков, характеризующих клиента и его реакцию на различные виды взаимодействий. Сделать индивидуальные стратегии работы с клиентом, которые учитывают все эти признаки — сложная задача, поэтому на помощь приходят технологии машинного обучения.

Нашей целью является полный Data-Driven-подход в работе, который позволит подобрать индивидуальную стратегию для максимизации прибыли с учетом возможных затрат во всем жизненном цикле клиента.

Наш опыт предполагает, что стратегия взыскания должна проходить через несколько этапов разработки: экспертный, продуктовый и внедрение машинного обучения. Миграция из одного этапа в другой не носит единовременного и повсеместного характера. Изначально стратегия разрабатывается консилиумом экспертов, которые формируют некоторое дерево решений, позволяющее к определенным клиентам применять необходимые меры взаимодействия для взыскания задолженности. Затем формируются переходы клиента от soft до legal-стадий взыскания. После этого в игру вступает продуктовая аналитика: она дает возможность увеличить эффективность взыскания и подобрать наиболее подходящие инструменты для крупных сегментов.

Ключевым инструментов продуктовой аналитики для тестирования гипотез является А/Б/n-тестирование. Данный метод позволяет с заданной вероятностью ошибки усовершенствовать стратегию работы с клиентами и определить наиболее эффективные сегменты для различных инструментов. Однако при работе со множественными сегментами не стоит забывать о поправках на множественное тестирование (когда в одном эксперименте участвует более одного сегмента), а также придерживаться строгой методологии, чтобы удерживать вероятность ошибок первого и второго рода на запланированном уровне.

После этого начинается внедрение машинного обучения. Обычно первоначальные внедряемые модели машинного обучения только косвенно учитывают потребность к увеличению эффективности применяемых инструментов, предсказывают сборы или вероятность взыскания. И потом уже начинают разрабатываться модели, прогнозирующие прирост эффективности (uplift) в рамках использования одного или комбинации инструментов взыскания. Изначально модели предсказывают прирост эффективности на коротком промежутке времени жизни клиента, например, в soft или hard-стадиях и со временем начинают учитывать весь жизненный путь задолженности.

Предсказательная аналитика полезна и в еще одном важном направлении взыскания — покупке портфелей. С ее помощью можно проанализировать качество долгов и сумму возможных сборов. Так как самое важное в модели — это именно данные, которые позволяют предугадать, например, поведение клиента на разных стадиях просрочки. Главная цель предсказательной аналитики для нас — не столько повышение эффективности взыскания, хоть это и важно, а формирование индивидуальной стратегии для клиента. С ее помощью мы можем получить модель принятия решений по конкретному человеку, наиболее подходящую его финансовому положению.

Сегодня сложно представить современное коллекторское агентство без внедрения искусственного интеллекта, поскольку его методы позволяют существенно повышать эффективность всех процессов. И те компании, которые работают в старой парадигме, будут постепенно вытеснены с рынка. Однако и в этом направлении, где нами достигнуты определенные успехи, нам еще предстоит немало работы. В частности, в мониторинге. Построить модель — половина дела, вторая половина — поддерживать и обновлять ее на постоянной основе. В ближайшем будущем мы планируем развитие Uplift-моделирования — выявлении тех клиентов, которые с наибольшей вероятностью изменят свое поведение в необходимую нам сторону. Это, в свою очередь, позволит добиться уже упомянутой нами цели — предложить клиенту наилучшую для него стратегию взыскания. Это интересная и сложная задача, но которая поможет сделать процессы принятия решений более индивидуализированным, а значит, более эффективными.