Поделиться
Как взыскать долги «на основе данных»
Есть бизнес-процессы, которые с трудом поддаются «цифровизации». Внедрение в них новой технологии довольно трудоемко, поскольку ломает стереотипы, перераспределяет сферы ответственности и,что греха таить, чревато хаосом, по крайней мере в краткосрочной перспективе. Все это неминуемо порождает сопротивление со стороны многих участников процесса преобразования. Особенно ярко эта закономерность проявляется в тех видах бизнеса, которые предполагают активное общение с клиентом. Зачем внедрять технологии в такие бизнес-процессы, на примере работы с проблемными клиентами рассказывают Юрий Сирота, старший вице президент банка «Уралсиб», и Андрей Шишов, аналитик данных дирекции искусственного интеллекта и анализа данных «Уралсиба».
Дополненный интеллект в мире финансов
Клиенты банка привыкли ассоциировать свое финансовое учреждение с программой в телефоне или личным кабинетом в онлайн-банке, посещение офиса и общение с его сотрудниками стало крайне редким явлением. Однако стоит клиенту просрочить платеж по кредиту, то он тут же получит большую порцию внимания от сотрудников колл-центра, предлагающих различные варианты решения проблемы.
Надо понимать, что независимо от суммы задолженности, обстоятельств и финансовой дисциплины клиента, возникшая ситуация — именно проблема, причем не только для клиента, но и для самого банка (отсюда и соответствующий термин «проблемный актив»). Интересы двух сторон, конечно, разнятся — значит, нужен компромисс, а его можно достичь только в результате переговоров.
Переговоры со стороны банка может вести только сотрудник, желательно имеющий полную информацию о клиенте. Чат-бот, даже самый продвинутый, может только донести до клиента информацию, но ему недостает дара убеждения, природного обаяния, да и красноречием он не отличается.
Сотрудник, лишенный информации о человеке «на другом конце провода», не сможет выбрать наилучшую стратегию решения проблемы. У каждого заемщика — свой уникальный профиль и обстоятельства, по которым он, например, допустил просрочку по платежу. Пренебрежение этим фактом — основная причина конфликтов, которыми славятся коллекторы в народных массах. Поэтому предварительный анализ данных о заемщике позволит не только увеличить шансы взыскать просроченную задолженность, но и сохранить отношения с клиентом, не допустить его ухода в другое финансовое учреждение.
Решение — использование «дополненного интеллекта» (augmented intelligence), к которым относятся средства автоматизации, помогающие повышать продуктивность умственного труда человека.
Аналитики Gartner считают дополненный интеллект одной из 5 важнейших технологий в сфере ИИ. Наряду, кстати, с упоминавшимися чат-ботами.
Важнейшие ИИ-технологии по версии Gartner
Источник: Gartner, 2019
До выхода augmented intelligence на плато продуктивности, по оценке аналитиков Gartner, еще от 2 до 5 лет, однако пользу они могут приносить уже сейчас.
Данных много не бывает
В распоряжении современного банка есть огромное количество данных обо всех его заемщиках. Их объем настолько велик, что сотрудник отдела взыскания не способен их полностью обработать и оперативно оценить платежеспособность и психотип клиента перед началом переговоров. Прежде всего, это анкетные данные самого клиента, его транзакции, кредитная история, характеристики кредитного договора, предыдущие взаимодействия с банком по разным поводам и т. д.
Если эта информация остается невостребованной, то эффективность работы будет низкой, а влияние человеческого фактора на результаты — по-прежнему сильным. Именно в этих случаях следует обращаться за помощью к ИИ, способному проанализировать всю имеющуюся информацию и дать рекомендации за доли секунды. Сотруднику останется лишь применить свои навыки в области красноречия, то есть сделать то, что у людей пока получается лучше, чем у «машин».
Действия на основе данных
Разберем относительно простой случай — управление просроченным кредитом. Клиента, пропустившего платеж по кредиту с больтшой вероятностью ждет бомбардировка SMS-сообщениями, а затем и звонками. При этом, традиционный метод взыскания, как правило, предполагает массовые звонки таким клиентам, независимо от обстоятельств и профиля клиента.
Но что, если банк научится выявлять заемщиков, которые, вероятно, самостоятельно погасят просрочку в течение нескольких дней? Им можно и не звонить — SMS-сообщения будет вполне достаточно. Так как таких заемщиков большинство, подобные меры серьезно бы разгрузили колл-центр и сократили бы расходы на звонки.
А если есть уверенность в том, что клиент не заплатит как минимум в течение месяца, то этот первый этап воздействия, называемый «soft-collection», можно и вовсе пропустить. И сразу перейти к более действенным методам или продать долг стороннему коллекторскому агентству. Это повысит доходы и уменьшит расходы на взыскание — ведь чем меньше срок просрочки, тем выше ее цена на соответствующем рынке.
К этой же группе можно отнести и более сложную задачу, решаемую банком при реструктуризации долга клиента. Эта мера, очевидно, выгодна для заемщика, а для банка — только в том случае, если в новых условиях заемщик действительно будет сохранять платежную дисциплину. Возможно ли это предвидеть? Ответ положителен, если банк обладает историей предыдущих сделок — на основе этого ИИ может давать свой прогноз. если он оценит вероятность выхода в повторную просрочку как высокую, то выгоднее будет передать долг на взыскание.
Задачи, описанные выше, являются примерами предиктивной аналитики, в фокусе которой вопрос «Что будет?». Намного сложнее и практически значимее предписательная аналитика, отвечающая на вопрос «Что делать?» или «Как делать?». Этот подход находит применение и в работе с проблемными активами: в основном, в решении задач, связанных с управлением методами взыскания. если предиктивная модель лишь оценит вероятность того, что клиент заплатит, то предписательная модель подскажет, что нужно сделать, чтобы увеличить эту вероятность.
Мало кого удивит тот факт, что причиной конфликта между сотрудником отдела взыскания и заемщиком часто становится несоответствие профиля заемщика и метода взыскания, к нему примененного. Возможна и личная неприязнь, возникающая в результате, например, культурных различий или противоречия их мировоззренческих убеждений. Учесть это все при организации работы колл-центра, на первый взгляд, невозможно. Однако у банков, давно занимающихся взысканием просроченной задолженности розничных клиентов, накоплена история таких звонков, данные о профилях клиентов и сотрудников. Современные технологии позволяют извлекать важную информацию и из скрипта разговора, речи каждой из сторон. Все это уже используется продвинутыми банками для автоматического назначения наиболее подходящего сотрудника для данного клиента. Но это еще не все: на основе этой информации, ИИ может подобрать оптимальное время для звонка и даже наиболее действенный скрипт разговора. Рост отклика клиента и снижение числа нерезультативных звонков положительно скажутся на эффективности работы персонала.
Наконец, наиболее продвинутые рекомендательные системы решают задачу выбора оптимальной стратегии взыскания для каждого клиента. Ответ кроется, опять же, в истории взаимодействия с заемщиками. Эффект успешной реализации такого проекта — снижение стоимости взыскания и увеличение сборов.
Финансовый баланс
Разумеется, внедрение интеллектуальных систем требует существенных расходов, в основном — на оборудование, разработку и сопровождение ПО. Но, как показывает практика, они полностью компенсируются финансовой отдачей от повышения эффективности отдела взыскания. Более того, они несопоставимы с текущими расходами на нерезультативных работников, на бесперспективные звонки и выезды.
Не стоит забывать и о масштабировании бизнеса: традиционно, рост клиентской базы требует соответствующего роста численности персонала, с ним работающего. Повышение эффективности работы сотрудников за счет внедрения средств ИИ позволит оптимизировать численность работников и оперативно реагировать на рост клиентской базы.
Таким образом, финансовый эффект от успешного ввода описанных технологий в эксплуатацию будет несомненно, но успех, как всегда, зависит от многих факторов. Самые значимые из которых, впрочем, вполне контролируемы: отношение руководителей к данным технологиям и уровень компетенции команды разработчиков и аналитиков.
Короткая ссылка
