Efektywność operacyjna agencji windykacyjnych

ML in debt recovery
Kategoria:
Sztuczna inteligencja
Branża:
Fintech
Miasto:
Wrocław
Model:
Team Outsourcing
Model płatności:
Fixed price
Czas trwania:
6 miesięcy

Klient

Jedna z największych firm windykacyjnych w Polsce obsługujących ponad 4 miliony klientów zdecydowała się na współpracę z nami w ramach dwóch projektów zakresu AI/ML. Zaufanie Klienta wynikało ze wspólnego udanego partnerstwa w zakresie doradztwa i szkoleń w przeszłości oraz naszego doświadczenia w stosowaniu metod matematycznych w zarządzaniu złymi długami.

Wyzwanie

Wycena pakietów wierzytelności przed ich zakupem jest jednym z kluczowych obszarów działalności firmy windykacyjnej. Cały proces wyceny trwa często wiele miesięcy. Z racji, że Klient posiadał ograniczone informacje o należnościach oraz potrzebował informacji o współpracy z bazą dłużników, jego potrzebą było stworzenie specyficznego modelu wyceny.

Celem Klienta była nie tylko dokładniejsza wycena poszczególnych portfeli, ale także dostarczenie dokładniejszych informacji, dzięki czemu analitycy cenowi mogą podejmować skuteczniejsze decyzje w procesie zakupu wierzytelności.

Rozwiązanie

Główną ideą projektu było opracowanie alternatywnej do istniejącej metody wyceny pakietów wierzytelności przed ich zakupem. Celem było uzyskanie jak najdokładniejszej, powtarzalnej i szybkiej wyceny pakietu wierzytelności. Jej kluczowym elementem było przewidywanie stopy odzysku zakupionej wierzytelności. W projekt zaangażowany był czteroosobowy zespół składający się z trzech analityków oraz programisty nadzorowanego przez eksperta w dziedzinie analityki danych.

Warsztaty produktowe 

Pierwszym etapem projektu była seria warsztatów mających na celu identyfikację:

– Zakresu projektu (w tym rodzajów portfeli wierzytelności podlegających wycenie.

– Funkcjonalność rozwiązania.

Ocena kryteriów walidacji modelu danych: 

Zaproponowaliśmy dość złożony schemat walidacji, aby odzwierciedlić warunki, w jakich model będzie używany. W tym celu wykorzystaliśmy niestandardowe metody oparte na danych historycznych i statystykach wielowymiarowych (z optymalizacją). Zostały one przygotowane w celu zapewnienia zarówno elastyczności metody, jak i dokładności prognozy odzysku.

Naszym celem było dostarczenie silników obliczeniowych, które są zasilane danymi i w rezultacie zapewniają prognozy. Aplikacje używane do wyceny zostały zbudowane w siedzibie klienta, zasilając nasz silnik danymi i otrzymując wyniki.

Tworzenie modelu wyceny pakietów 

Celem stworzenia modelu było uzyskanie jak najdokładniejszej, powtarzalnej i szybkiej wyceny pakietu wierzytelności.

Istnieje kilka podejść do modelowania opartego na ML/AI, które można wykorzystać w takim zadaniu. Wybór zależy od wielkości bazy danych, liczby dłużników, chęci zastosowania metod wymagających dłuższych obliczeń i innych czynników. Wybór podejścia nie jest prostym zadaniem, ponieważ wymaga zrozumienia potrzeb klienta i ograniczeń biznesowych, a także tych wynikających z wielkości i jakości danych.

Poniżej wymieniono wybrane przez nas podejścia.

  •  Metody odległościowe — Metoda polegała na wycenie pakietu wierzytelności na podstawie historycznego zachowania najbardziej podobnych pakietów, które firma windykacyjna zakupiła wcześniej. Zastosowanie tego podejścia wymagało przygotowania (mikro) segmentacji pakietów, zdefiniowania adekwatnej do celu miary podobieństwa, wielowymiarowej optymalizacji parametrów (np. liczby pakietów, z których dokonywaliśmy wyceny) oraz opracowania miar pozwalających na wiarygodną walidację rozwiązania.
  • Wielowymiarowa tabela look-up – Podejście polegało na podzieleniu historycznych przypadków na małe paczki przy użyciu opisujących je cech. Osiągnięto to poprzez podzielenie cech numerycznych na zakresy. W kolejnym kroku w analogiczny sposób podzielono dużą paczkę wycenionych przypadków. Zachowanie każdej z wynikowych paczek wycenionych przypadków było przewidywane na podstawie zachowania odpowiedniej paczki przypadków historycznych.
  • Podejście regresyjne — Obejmowało to model uczenia maszynowego regresji, który przewidywał procent odzysku dla każdej sprawy w pakiecie na podstawie jej cech, dając iteracje modelu wyceny pakietów.

W kolejnych etapach dostarczaliśmy stopniowo ulepszane modele do integracji z systemem klienta. Po wstępnych testach i analizie wyników okazało się, że konieczne były niewielkie zmiany w założeniach przyjętych na początku projektu, ale miały one znaczące konsekwencje. Jest to typowa sytuacja w projektach wykorzystujących metody matematyczne. Dzięki odpowiedniemu przygotowaniu kodu budującego modele i ciągłemu dostarczaniu w kolejnych iteracjach modelowania, zmiany zostały szybko uwzględnione.

Cykl życia procesu eksploracji danych

Rezultaty

Projekt zakończył się sukcesem i rozwiązanie jest obecnie wykorzystywane do wyceny portfeli. Raporty przeznaczone dla ekspertów ds. cen pomagają zespołom Klienta zrozumieć przyczyny ustalania cen przez algorytmy i ułatwiają ręczne korekty (w razie potrzeby, np. ze względu na brak wystarczających danych historycznych).

Klient bardzo cenił udaną współpracę i dobrą komunikację, szczególnie wysoką responsywność zespołu. Dodatkowo zasugerowaliśmy sposób zaprezentowania wyników i dodatkowej analizy w raporcie dla analityków wyceniających portfele wierzytelności. Okazało się to bardzo dużą pomocą w procesie ustalania cen.

„Byliśmy pod wrażeniem opracowania dedykowanych algorytmów dla naszych danych i potrzeb”. Board Member & CIO, Debt Collection Firm

Technologie

R Language Logo
Logo docker - 1
python logo
Entwicklung digitaler grüner Transformationsdienste mit Hilfe einer mobilen App

Rozwijanie usług cyfrowej zielonej transformacji dzięki aplikacji mobilnej

Design, Development, DevOps czy Cloud – jakiego zespołu potrzebujesz, aby przyspieszyć pracę nad swoimi projektami?
Porozmawiaj o swoich potrzebach z naszymi specjalistami.

Jakub Orczyk

Członek zarządu / Dyrektor sprzedaży
VM.PL

Zamów bezpłatną konsultację
kuba (1)