Jul 2, 2020
Big data и машинное обучение повышают эффективность коллекшена. Как они это делают
Коллекшн — точно не самая привлекательная часть кредитной системы. И не самая приятная для обеих сторон процесса. Но абсолютно необходимая — без него кредитная система существовать не сможет. Именно поэтому сейчас инвестируются большие ресурсы в его трансформацию. Цель — сделать процесс менее стрессовым для обеих сторон и повысить его эффективность.
Над решением задачи работают как сами банки, МФО, коллектора, так и стартапы. TrueAccord (США), Attunely (США), Dasceq (США), Symend (Канада), CollectAI (Германия), inDebted (Австралия), Ziyitong (Китай), Flow (Сингапур) и другие трансформируют коллекшн за счет инновационных подходов. И в основе всех этих подходов лежат большие данные и машинное обучение.
Изучив детальнее чем же именно занимаются эти стартапы, я выделил 3 основных направления для применения больших данных и машинного обучения в индустрии коллекшена.
[1] ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ
Китайская компания Ziyitong сумела вернуть около $29 млрд. долгов с момента своего открытия в 2016 году. Ее клиентами являются около 600 агентств по взысканию долгов и более 200 кредиторов. В основе деятельности компании лежит система на базе машинного обучения, которая включает два основных элемента.
Первый — сбор данных о заемщике и его окружении из открытых источников (в основном — социальных сетей). Система анализирует найденную информацию, а затем использует ее при телефонных контактах с заемщиком и его друзьями.
Второй — персонализация общения с заемщиком. Система записывает разговоры, анализирует их, а затем определяет формулировку, которая с наибольшей вероятностью заставит заемщика вернуть долг.
Уровень возврата такой системы — 41%, что в среднем в 2 раза выше, чем традиционных методов взыскания в Китае (20%).
[2] ПЕРСОНАЛИЗАЦИЯ ВРЕМЕНИ, УСЛОВИЙ ВОЗВРАТА, ЧАСТОТЫ И КАНАЛА СВЯЗИ
Это самое популярное направление, над развитием которого работают все вышеперечесленные стартапы.
Так, максимально смягчить процесс взыскания для заемщиков пытается TrueAccord. Для этого компания полностью отказалась от телефонных звонков и направляет заемщикам имейлы с персональными условиями возврата, а напоминает про них с помощью текстовых сообщений и таргетированной рекламы в Facebook.
Немецкий стартап CollectAI также изучает время отправки сообщений, содержание имейлов и конверсии их открытия, что помогает ему создавать динамические лендинги для каждого отдельного заемщика. И эти действия дают результат — в рамках 6-месячного сотрудничества с Hanseatic Bank, уровень возврата просроченной задолженности банка вырос на 24%.
[3] ПЕРСОНАЛИЗАЦИЯ МЕССЕДЖЕЙ
Из всего направления персонализации общения с заемщиком, стоит отдельно выделить персонализацию месседжей, которую применяют большинство вышеперечисленных стартапов. Это технически самый сложный элемент, но одновременно с этим и самый эффективный. Для его внедрения необходимо выполнить следующие шаги:
- начать записывать все разговоры с заемщиками, отслеживать их эффективность;
- использовать систему транскрибирования аудио и с ее помощью переводить телефонные разговоры в текст;
- сопоставить между собой 3 вида данных: типаж заемщика, текст телефонных разговоров, эффективность;
- для построения типажа заемщика собрать внешние данные (в первую очередь — информацию соцсетей);
- на базе 3 видов данных обучить алгоритм, прогнозирующий оптимальные месседжи для каждого типажа заемщиков.
Такая система позволит сделать общение коллектора и заемщика менее стрессовым для каждого из них, а также повысить уровень возврата просроченной задолженности.
P.S.
Моя компания сейчас разрабатывает схожий продукт для рынка Украины, персонализирующий коммуникацию с должниками. Хотите протестировать его в числе первых? Напишите нам в форму обратной связи artellence.com.
