AI/ML 
Rozwój oprogramowania 
Unternehmen im DACH-Raum verlieren 2-4 Prozent ihres Jahresumsatzes durch vermeidbare Forderungsausfälle – weil Mahnprozesse zu spät greifen und zu undifferenziert kommunizieren. VM.PL entwickelt individuelle ML-Systeme zur technologischen Unterstützung des internen Forderungsmanagements. Dazu gehören Payment-Probability-Prognosen, dedizierte Risiko-Scoring-Modelle, Anomalie-Erkennung mit Isolation Forest sowie SHAP-basierte Erklärbarkeit jeder Scoring-Entscheidung. Die Lösungen werden in bestehende ERP- und Billing-Systeme wie SAP FI-AR oder Microsoft Dynamics 365 Finance integriert.
VM.PL ist kein Inkassodienstleister und übernimmt weder die operative Forderungseinziehung noch gerichtliche oder außergerichtliche Inkassotätigkeiten. Das Unternehmen entwickelt die technologische Grundlage, mit der Kunden ihre eigenen Prozesse datenbasiert priorisieren, automatisieren und kontrollieren können.
Was kostet ineffizientes Forderungsmanagement – und wo greift KI konkret?
VM.PL entwickelt dedizierte ML-Scoring-Systeme, die das bestehende Forderungsmanagement des Unternehmens technologisch unterstützen. Die Modelle bewerten Zahlungswahrscheinlichkeiten, erkennen ungewöhnliche Verhaltensmuster und liefern nachvollziehbare Handlungsempfehlungen. Die operative Entscheidung und Durchführung verbleiben beim internen Forderungsmanagement oder bei beauftragten Inkasso- und Rechtsdienstleistern.
| Kriterium | Regelbasiert (klassisch) | KI-gestützt (VM.PL) |
| Risikoeinschätzung | Feste Schuldner-Kategorien (gut/mittel/schlecht) | Kontinuierliches ML-Scoring in Echtzeit mit SHAP-Erklärung |
| Mahnintervall | Fixer Zeitplan (z. B. +14 Tage) | ML-optimal je nach Zahlungswahrscheinlichkeit und Schuldnerprofil |
| Kanal | Brief oder E-Mail pauschal | Kanaloptimierung: E-Mail, SMS, Portal – je nach Kundenprofil |
| Eskalation | Zeitbasiert stufenweise | Score-basiert: früher bei hohem Risiko, sanfter bei niedrigem |
| Erklärbarkeit | Regellogik intern nachvollziehbar | SHAP-Werte: jede Entscheidung begründet, DSGVO-konform |
VM.PL entwickelt keine SaaS-Plattform, die anhand generischer Branchendaten trainiert wurde. Das ML-Modell wird ausschließlich anhand der historischen Zahlungsdaten des Unternehmens trainiert – kein Vendor-Lock-in, kein Datentransfer an Drittdienste.
Wie berechnet VM.PL den ROI von KI im Forderungsmanagement – Einsparungen, Break-Even und TCO?
KI-gestütztes Forderungsmanagement amortisiert sich über drei gleichzeitig wirksame Einsparungskanäle: höhere Rückflussquoten, niedrigere Bearbeitungskosten und reduzierte Inkassokosten in späten Stufen. VM.PL erstellt in der Discovery-Phase eine ROI-Modellierung auf Basis der tatsächlichen Forderungsdaten – keine Pauschalwerte, sondern unternehmensindividuelle Prognosen.
| Kostenblock / Hebel | Beschreibung | Größenordnung |
| Rückflussquote | ML-optimiertes Timing und Kanalwahl erhöht Zahlungseingang im Early-Stage-Bereich; weniger Fälle erreichen späte Eskalationsstufen | 2-8 % Steigerung der Einzugsquote – abhängig von Forderungsvolumen und Kundenprofil |
| Bearbeitungskosten | Automatisierung von Mahnläufen, Kanalsteuerung und Kommunikationsklassifikation reduziert manuellen Aufwand je Vorgang | Typisch 30-60 % weniger manuelle Bearbeitungsschritte bei Tier-1-Fällen |
| Inkasso- und Rechtskosten | Score-basierte Eskalation übergibt weniger Fälle an externe Inkassodienstleister oder Rechtsanwälte; frühzeitige Zahlungsvereinbarungen reduzieren späte Kosten | Inkassogebühren betragen typisch 15-25 % der Forderung – jeder verhinderte Übergang spart direkt |
| Discovery + Definition | Datenaudit, Architekturplanung – liefert Concept Document und Architecture Blueprint als Entscheidungsgrundlage | Niedrigster Block; Go/No-Go vor Hauptinvestition |
| Delivery + Direction | Modell-Training, ERP-Integration, Monitoring – skaliert mit Komplexität und Forderungsvolumen | Hauptinvestition; amortisiert sich typischerweise in 6-18 Monaten |
Break-Even-Kalkulation: VM.PL quantifiziert den Break-Even-Zeitpunkt auf Basis des Unternehmens-Forderungsvolumens, der durchschnittlichen Forderungshöhe und der aktuellen Einzugsquote – als konkreter Teil des Concept Documents, vor dem Commitment.
Wie entwickelt VM.PL ML-Modelle für Payment Probability und Risikoklassifizierung?
Ein Payment-Probability-Modell prognostiziert für jede offene Forderung die Wahrscheinlichkeit eines Zahlungseingangs – typischerweise für Horizonte von 30, 60 und 90 Tagen. Die Risikoklassifizierung geschieht automatisch und dynamisch: Zahlungsverhalten, Kontaktmuster und Forderungsstruktur fließen gleichgewichtet ein.
VM.PL entwickelt keine standardisierte Inkasso-Software und verwendet keine generischen Risiko-Scores. Für jedes Unternehmen entsteht ein dediziertes Scoring-Modell auf Basis der eigenen historischen Zahlungs-, Forderungs- und Kontaktdaten.
Isolation Forest erkennt dabei ungewöhnliche oder plötzlich veränderte Zahlungsmuster, ohne dass zuvor alle Risikofälle manuell gekennzeichnet werden müssen. SHAP macht anschließend transparent, welche Merkmale den jeweiligen Risiko-Score beeinflusst haben. Dadurch bleiben Scoring-Ergebnisse nachvollziehbar, auditierbar und für Fachabteilungen kontrollierbar.
| ML-Methode | Anwendungsfall | Datenvoraussetzung |
| XGBoost / LightGBM | Zahlungswahrscheinlichkeit (binär oder multi-class), Risiko-Score-Berechnung | Historische Zahlungsdaten, Forderungsstruktur, mind. 12 Monate |
| LSTM (Zeitreihen) | Zeitliche Zahlungsmuster: saisonale Ausfälle, Verhaltensänderungen erkennen | Sequenzielle Zahlungshistorie, mind. 18-24 Monate |
| Isolation Forest | Anomalie-Erkennung: plötzliche Verhaltensänderungen, Betrugsindizien | Laufende Transaktionsdaten, kein Label erforderlich |
| SHAP (Erklärbarkeit) | XAI: Begründung jeder Risikoklassifizierung für Compliance und DSGVO | Wird auf alle Modelle aufgesetzt |
SHAP-Werte (SHapley Additive exPlanations) liefern für jede einzelne Scoring-Entscheidung eine nachvollziehbare Begründung: „Dieser Schuldner erhält Risikostufe B, weil Zahlungshistorie (+35 %), letzter Kontaktkanal (−15 %) und Forderungshöhe (+20 %) dominant sind.“ Das erfüllt die DSGVO-Anforderung an erklärbare automatisierte Entscheidungen und ermöglicht revisionssichere Audit-Trails.
Wie bereitet VM.PL Forderungsdaten für ML-Modelle vor – Datenqualität, ETL und Feature Engineering?
50-70 Prozent des Projektaufwands entfallen auf Datenvorbereitung, nicht auf Modellentwicklung. Forderungsdaten aus ERP- und Billing-Systemen sind selten in ML-ready-Format: inkonsistente Schuldner-IDs, fehlende Zahlungsdatumsüberlieferungen, Buchungsfehler und historische Systemwechsel erzeugen Lücken, die das Modell systematisch verzerren würden. VM.PL beginnt jedes Projekt mit einem strukturierten Datenverfügbarkeits-Audit.
Drei Phasen der Forderungsdaten-Aufbereitung:
- Daten-Audit und Qualitätsbewertung (Discovery-Phase): VM.PL analysiert Zahlungshistorie, Schuldner-IDs, Forderungsstruktur und Kontaktverlaufsdata auf Vollständigkeit, Konsistenz und DSGVO-Relevanz. Typische Befunde: Lücken in Zahlungsdaten über historische Systemwechsel, inkonsistente Schuldnerklassifikation, fehlende Kontaktkanalaufzeichnungen. Das Audit-Ergebnis bestimmt, ob das Projekt das Go erhält.
- ETL-Pipeline-Entwicklung (Definition-Phase): VM.PL entwickelt robuste Pipelines, die Rohdaten aus SAP FI-AR, Dynamics 365, Oracle Financials oder eigenem Billing-System extrahieren, bereinigen und in ML-ready Features transformieren. Stack: Python 3.11+ · Apache Kafka für Streaming-Updates · pgvector/PostgreSQL 16 als Feature Store. Schema-Validierung, Null-Handling und Typ-Konsistenz sind automatisiert.
- Feature Engineering: Aus Rohdaten entstehen Prognose-relevante Merkmale – Recency/Frequency/Monetary-Metriken aus Zahlungshistorie, Kontaktkanalantwortquoten, Forderungsalter-Vektoren, saisonale Indizes. VM.PL definiert in der Definition-Phase einen Feature-Katalog, der dokumentiert, warum jedes Merkmal ins Modell einfließt – DSGVO-konform und audit-fähig.
Mindestdatenbasis: 12 Monate Zahlungshistorie für XGBoost/LightGBM-Modelle, 18-24 Monate für LSTM-Zeitreihenmodelle. Die Discovery-Phase bewertet die Datenbasis kostenlos und konkret vor dem Commitment.
Wie kalibriert VM.PL Scoring-Modelle – Schwellenwerte, Precision-Recall und Cut-Off-Optimierung?
Ein Payment-Probability-Modell liefert für jede Forderung einen Wahrscheinlichkeitswert zwischen 0 und 1 – die geschäftliche Konsequenz hängt davon ab, wo der Cut-Off-Schwellenwert gesetzt wird. Das ist keine technische, sondern eine betriebswirtschaftliche Entscheidung: Strenger Schwellenwert = mehr frühe Eskalationen, aber auch mehr fälschlicherweise eskalierte zahlungsfähige Kunden (False Positives). Weiter Schwellenwert = weniger False Positives, aber verpasste Einzugszeitpunkte bei echten Säumigen (False Negatives).
| Parameter | Beschreibung | Geschäftliche Konsequenz |
| Precision (Genauigkeit) | Anteil der als Hochrisiko eingestuften Fälle, die tatsächlich ausfallen | Hohe Precision = weniger Fehleskalationen; zahlungsfähige Kunden werden nicht unnötig hart angeschrieben |
| Recall (Trefferquote) | Anteil der tatsächlichen Ausfälle, die das Modell korrekt identifiziert | Hoher Recall = weniger verpasste Säumige; höhere Einzugsquote, aber auch mehr False Positives |
| F1-Score | Harmonisches Mittel aus Precision und Recall – Gesamtgüte des Modells | Steigt nicht automatisch: VM.PL optimiert je nach Geschäftsziel (Einzug vs. Kundenbindung) |
| Cut-Off-Schwellenwert | Entscheidungsgrenze: ab welchem Score wird eine Forderung eskaliert oder manuell bearbeitet | Wird gemeinsam mit dem Unternehmen in der Definition-Phase festgelegt – nicht vom Modell diktiert |
Kalibrierungsprozess: VM.PL kalibriert die Scoring-Modelle auf Basis historischer Prüftests (Walk-Forward-Validation auf echten Zeitreihen) und justiert den Cut-Off-Schwellenwert gemeinsam mit dem Forderungsmanagement-Team. Im laufenden Betrieb überwacht das MLOps-System, ob die Modellgüte stabil bleibt – Score-Drift-Erkennung löst bei Abweichungen ein Re-Training aus.
Wie automatisiert VM.PL den Mahnprozess mit kanaloptimierter KI-Kommunikation?
Das von VM.PL entwickelte ML-System empfiehlt für jeden Vorgang den geeigneten Kommunikationskanal, den optimalen Zeitpunkt und eine zum Risikoprofil passende Kommunikationsstrategie. Die Empfehlungen werden an das bestehende ERP-, CRM- oder Forderungsmanagement-System übergeben. Freigabe, Versand und operative Bearbeitung erfolgen nach den Prozessen und Verantwortlichkeiten des Kunden. Drei messbare Effekte:
- Höhere Rückflussquoten: Schuldner, die auf digitalem Kanal reagieren, erhalten keine Briefmahnung mehr – Kanalkosten sinken, Reaktionsgeschwindigkeit steigt.
- Verbesserte Kundenbindung: Fälle mit temporären Zahlungsschwierigkeiten erhalten automatisch flexible Ratenzahlungsangebote, bevor sie eskaliert werden.
- Intelligente Eskalationslogik: ML-Score-basierte Eskalation – hohe Risikoklasse löst frühere Stufen aus, niedrige Risikoklasse bleibt länger im digitalen Self-Service.
LLM-gestützte Schuldner-Self-Services ergänzen den Mahnprozess: Ein LLM-Assistent – privat deployt, kein Datentransfer an externe Cloud – beantwortet Fragen zu offenen Forderungen, bietet Ratenzahlungsvereinbarungen an und klassifiziert eingehende Schuldner-Nachrichten für das Bearbeitungsteam. Alle Kommunikationsschritte werden DSGVO-konform pseudonymisiert und revisionssicher protokolliert.
Wie unterstützt VM.PL den Übergang von Early-Stage-Mahnung zu Late-Stage-Inkasso und gerichtlichem Mahnverfahren?
Forderungsmanagement ist kein einheitlicher Prozess – es ist ein Stufensystem mit unterschiedlichen Zielen, Kosten und Erfolgswahrscheinlichkeiten je Phase. KI-Systeme müssen dieses Stufensystem kennen und gezielt steuern: zu frühe Eskalation schädigt Kundenbeziehungen, zu späte Eskalation erhöht Ausfallrisiken.
| Phase | Charakteristik und Ziel | VM.PL-KI-Unterstützung |
| Early-Stage (0-30 Tage überfällig) | Höchste Rückflusswahrscheinlichkeit, geringste Kosten, Kundenbindung prioritär | Digitale Selbstbedienung: LLM-Assistent, Ratenzahlungsvereinbarung, Zahlungslink – kein Brief, kein Anruf bei niedrigem Risiko-Score |
| Mid-Stage (30-90 Tage überfällig) | Rückflusswahrscheinlichkeit sinkt, Kommunikationsintensität steigt, Stundungs- und Vergleichsoptionen relevant | Score-basierte Kanalwahl: E-Mail, SMS oder Brief je nach Reaktionsprofil · LLM bietet Stundung oder Vergleich an · Sentiment-Erkennung im Schriftverkehr |
| Late-Stage (> 90 Tage überfällig) | Außergerichtliche Lösung als letzter Schritt vor gerichtlichem Mahnverfahren oder Inkasso-Übergabe | Das ML-Modell bewertet anhand des Risiko-Scores, ob eine weitere interne Bearbeitung oder eine Prüfung zur Übergabe an einen externen Inkassodienstleister sinnvoll sein könnte. Die verbindliche Entscheidung trifft ausschließlich eine autorisierte Person auf Kundenseite. |
| Gerichtliches Mahnverfahren / Inkasso | Hohe Kosten (15-25 % Inkassogebühr + Gerichtskosten), irreversibel für Kundenbeziehung | ML minimiert diese Phase durch frühzeitige Erkennung und Intervention – weniger Fälle erreichen diese Stufe |
Übergabeunterstützung: Erreicht eine Forderung den definierten Late-Stage-Schwellenwert ohne Reaktion, kann das System die für eine mögliche Übergabe erforderlichen Dokumente, Kommunikationsverläufe und Scoring-Informationen automatisiert zusammenstellen. Die Prüfung, Freigabe und Übergabe erfolgen durch das Unternehmen oder einen beauftragten Rechts- beziehungsweise Inkassodienstleister.
Wie erfüllt VM.PL DSGVO Art. 22 und die Anforderungen an automatisiertes Profiling im Forderungsmanagement?
DSGVO Art. 22 verbietet vollständig automatisierte Entscheidungen, die Personen rechtlich oder ähnlich erheblich betreffen – und eine Mahnung mit Rechtsfolgen kann genau das sein. Gleichzeitig ist KI-Forderungsmanagement ohne Automatisierung wirtschaftlich nicht sinnvoll. VM.PL löst diesen Widerspruch durch Architektur, nicht durch Kompromisse.
Vier DSGVO-Art.-22-Schutzmaßnahmen in VM.PL-Forderungs-KI-Projekten:
- SHAP-Erklärbarkeit als Pflichtbestandteil: Jede automatisierte Scoring-Entscheidung wird durch SHAP-Werte begründet und ist für betroffene Personen auf Anfrage verständlich erklärbar. Das erfüllt DSGVO Art. 22 Abs. 3 (Recht auf Erklärung) und Art. 15 (Auskunftsrecht).
- Human-in-the-Loop für kritische Entscheidungen: VM.PL implementiert für Entscheidungen mit Rechtsfolgen (Inkasso-Übergabe, gerichtliches Mahnverfahren) einen obligatorischen manuellen Freigabe-Schritt. Das KI-System empfiehlt, ein Mensch entscheidet – Art. 22 Abs. 2 lit. a (ausdrückliche Einwilligung) oder lit. b (Vertragsnotwendigkeit) als Rechtsgrundlage.
- Profiling-Dokumentation: VM.PL erstellt im Rahmen der Definition-Phase ein Verarbeitungsverzeichnis gemäß DSGVO Art. 30, das alle Merkmale (Features) dokumentiert, die in das Profiling einfließen – einschließlich Begründung der Verarbeitungsgrundlage und Ausschluss diskriminierungsrelevanter Merkmale (z. B. Nationalität, Religion).
- Pseudonymisierung und Datensparsamkeit: Personenbezogene Merkmale werden pseudonymisiert, bevor sie in ML-Pipelines fließen. Scoring-Entscheidungen werden auf pseudonymisierter Ebene gespeichert. Auf dem Entscheidungsprotokoll wird der Personenbezug erst bei berechtigtem Zugriffsinteresse hergestellt.
Rechtsgrundlage und AVV: VM.PL schließt mit jedem Auftraggeber einen Auftragsverarbeitungsvertrag (AVV) nach DSGVO Art. 28 ab. Die Rechtsgrundlage der Forderungsverarbeitung (i. d. R. Art. 6 Abs. 1 lit. b – Vertragsabwicklung oder lit. f – berechtigtes Interesse) wird in der Discovery-Phase geprüft und dokumentiert.
In welchen Branchen setzt VM.PL KI-Forderungsmanagement ein – Versicherung, Energie und E-Commerce?
KI-Forderungsmanagement ist branchenübergreifend einsetzbar – die ML-Architektur ist identisch, aber Forderungsstruktur, Schuldnerprofile, Compliance-Anforderungen und typische Ausfallmuster unterscheiden sich erheblich. VM.PL entwickelt branchenspezifisch.
| Branche | Typische Forderungsstruktur und Ausfallmuster | Besondere Anforderungen und VM.PL-Anpassungen |
| Versicherung | Prämienforderungen mit bekannten Fälligkeitsterminen · saisonale Ausfälle · Bestandskunden mit langjähriger Datenhistorie | BaFin-Compliance · DSGVO Art. 22 (Profiling bei Policenentscheidungen) · Erklärbarkeit für Beschwerdemanagement |
| Energie / Utilities | Hoher Anteil an Privathaushalten · saisonale Spitzen (Jahresabrechnung) · Niedrig-Betrag-Massen-Forderungen | Mahnkosten-Ökonomie: KI-Automatisierung besonders wirksam bei kleinen Einzelbeträgen · Smart-Meter-Daten als zusätzliche Prognose-Features |
| E-Commerce / BNPL | Hohe Volatilität, kurze Zahlungsfristen, breites Schuldnerspektrum · Buy-Now-Pay-Later erhöht strukturelles Ausfallrisiko | Echtzeit-Scoring direkt am Kaufpunkt · Integration in Shop-Backend · Anomalie-Erkennung für Betrugsindizien |
| Fintech / Factoring | Verkäufe überfälliger Forderungsportfolios · Bewertung ganzer Portfolios, nicht einzelner Fälle | Portfolio-Scoring-Modell · Monte-Carlo-Simulation für Ausfallszenarien · SHAP-begründeter Portfolio-Wert |
| Wohnungswirtschaft | Mietrückstände mit sozialer Schutzkomponente · WEG-Forderungen · Niedrige Fallzahl, hohe Einzelbetragsrelevanz | Sanfter Kommunikationsansatz obligatorisch · Stundungs- und Sozialberatungs-Integration · DSGVO bei besonders sensiblen Daten |
Wie integriert VM.PL KI-Forderungsmanagement in ERP und Billing-Systeme?
Bestehende ERP- und Billing-Systeme bleiben unverändert. VM.PL entwickelt einen API-Layer in Java/Spring Boot oder Node.js/NestJS, der über REST-API oder Datenbankanbindung an SAP FI-AR, Microsoft Dynamics 365 Finance, Oracle Financials und branchenspezifische Billing-Systeme andockt. Der KI-Layer ist vollständig rükbaubar – ein Roll-Back stellt den Ausgangszustand ohne Datenverlust in unter einer Stunde wieder her.
Technische Details: Azure DevOps / Azure Pipelines für CI/CD mit automatisierten Tests vor jedem Deployment. Deployment-Ziel: Azure Container Apps. On-Premise-Deployment oder Azure Private möglich – Forderungs- und Schuldnerdaten verlassen nicht die Unternehmensinfrastruktur.
Wie sieht das 4D-Projektvorgehen bei VM.PL im Forderungsmanagement aus?
Kein ML-Modell ohne validierten Befund. VM.PL beginnt jedes Forderungsmanagement-Projekt mit einem Datenverfügbarkeits-Audit – Zahlungshistorie, Datenqualität, DSGVO-Compliance. Erst danach entsteht ein Concept Document mit konkreter Machbarkeitseinschätzung und Go/No-Go-Basis.
| Phase | Aktivitäten | Deliverable | Dauer |
| Discovery | Forderungsdaten-Audit · DSGVO-Bewertung (inkl. Art. 22) · Use-Case-Validierung · Risikoklassen-Design · ROI-Modellierung | Concept Document (Go/No-Go) | 1-2 Wochen |
| Definition | ML-Architektur · Feature-Katalog · Cut-Off-Design · Kanal-Integrationsplan · SHAP-Konzept · ERP-Schnittstellen-Design | Architecture Blueprint | 1 Woche |
| Delivery | Modell-Training · ETL-Pipeline · API-Layer · ERP-Integration · Tests via Azure Pipelines · Abnahme | Produktives ML-System | 6-12 Wochen |
| Direction | MLOps-Monitoring · Score-Drift-Erkennung · Re-Training-Zyklen · Compliance-Updates · Cut-Off-Reviews | Entwicklungs-Roadmap | laufend |
Warum VM.PL für KI im Forderungsmanagement?
VM.PL entwickelt individuelle ML-Systeme für die spezifischen Zahlungsdaten des Unternehmens – keine generische SaaS-Plattform, kein Vendor-Lock-in. Fünf Differenzierungsmerkmale:
- Branchen-Tiefe: Versicherung, Energie/Utilities, E-Commerce, Fintech/Factoring, Wohnungswirtschaft – kein generischer IT-Dienstleister. SHAP-basierte Erklärbarkeit als Standard, nicht als Zusatzoption.
- DSGVO by Design: Pseudonymisierung, konfigurierbare Löschfristen, AVV, On-Premise-Option, kein Drittdatentransfer. DSGVO Art. 22-konforme Architektur mit Human-in-the-Loop für Rechtsfolgenschritte.
- Kein Vendor-Lock-in: Der gesamte Quellcode gehört dem Kunden. Keine laufenden Lizenzgebühren für VM.PL-Eigenentwicklungen. Jederzeit auf interne Teams übertragbar.
- Praxiserprobte ML-Modelle für Forderungsportfolios: Für eines der größten Inkassounternehmen in Polen entwickelte VM.PL dedizierte Modelle zur schnellen, reproduzierbaren und präzisen Bewertung von Forderungspaketen. Die Lösung prognostiziert die erwartete Rückzahlungsquote anhand historischer Daten und liefert Analysten verständliche Berichte zu den Grundlagen der algorithmischen Bewertung. Dadurch können Portfolioentscheidungen effizienter vorbereitet und bei Bedarf fachlich überprüft werden. Referenz: https://vmsoftwarehouse.de/operative-effizienz-von-inkassounternehmen/
- Technologiepartner statt Inkassodienstleister: VM.PL entwickelt dedizierte ML-Modelle für Payment Probability, Risiko-Scoring und Anomalie-Erkennung. Isolation Forest erkennt atypische Verhaltensmuster, während SHAP jede Bewertung nachvollziehbar erklärt. Die Modelle werden in SAP, Microsoft Dynamics und weitere ERP-Systeme integriert. Die operative Forderungsbearbeitung sowie Inkasso- und Rechtsentscheidungen bleiben vollständig beim Kunden und seinen autorisierten Dienstleistern.