Vorderingen efficiënter verwerken voor schuldinvordering

Context en doelstellingen

Een kredietbeheerder die schulden invordert, wilde wendbaarder analyseren en efficiënter werken. Het aantal dossiers groeide en de bemiddelaars die de klant inschakelde om schulden te innen, raakten in bepaalde regio's overbelast. De uitdaging was dossiers te selecteren met een hoge kans op inning. Uit ervaring wist de klant dat bepaalde schuldkenmerken het invorderingspercentage beïnvloedden. Ondanks een nette database lukte het niet om al die elementen samen te brengen.

Eerst moesten data worden verzameld om de segmenten te voorspellen en debiteurenprofielen te identificeren. Daarna moest de klant zorgen voor een regelmatige opvolging van schulden via een optimale geografische dekking door die bemiddelaars.

De klant wilde de toevertrouwde vorderingen dus zo verwerken dat efficiëntie, rendabiliteit en prestaties voor zijn klanten verbeterden. Agilytic moest snel een oplossing leveren om dossiers met een hogere inningskans voorrang te geven en tegelijk de beste route voor bemiddelaars aan te bevelen.

Aanpak

We werkten met twee kernmodules om de verschillende vragen te beantwoorden en de invordering te vereenvoudigen:

1. Voorspellende module

We verzamelden informatie uit de schulddossiers zoals het schuldbedrag, de activiteit van de schuldeiser en het regionale invorderingspercentage. Daarna bouwden we een historische dataset met meer dan 150.000 eerdere vorderingen, verrijkt met externe data om typische debiteurenprofielen makkelijker te herkennen.

Na het verzamelen en analysegeschikt maken van de data segmenteerden we de vorderingen op basis van hun ontvankelijkheid voor het gebruikte invorderingskanaal en het type vordering.

Vervolgens ontwikkelden we een scoremodel voor de kans op volledige inning. Daarmee identificeerden we debiteuren bij wie een gerechtelijke procedure met hoge waarschijnlijkheid tot inning leidt. We werkten nauw samen met de klant om de resultaten te valideren. Samen bekeken we de werkhypotheses om de uiteindelijke modelkwaliteit en het gebruik door de klant te verzekeren. We testten het model op recent afgesloten dossiers om de betrouwbaarheid door de tijd te beoordelen. Naast het direct inzetbare algoritme kreeg de klant gedetailleerde uitleg over de bepalende factoren.

Uiteindelijk pasten we dit toe op alle vorderingen. Zo konden we debiteuren indelen volgens hun ontvankelijkheid voor het te gebruiken invorderingskanaal en de kans op inning.

2. Geomarketingmodule

De geografische indeling van de bemiddelingszones moest worden geoptimaliseerd om lopende dossiers eenvoudig te kunnen opvolgen. We verdeelden eerst elke postcode in negen clusters.

Met de data uit de voorspellende module optimaliseerden we de werkgebieden van de bemiddelaars en maakten we de dekking efficiënter. De klant hielp de beschikbare capaciteit aan bemiddelaars en de beperkingen bij een eventuele herplaatsing precies vast te leggen.

Daarna bouwden we een geocoderingsroutine die via de Google API de breedte- en lengtegraad van adressen bepaalt en elk adres aan een cluster binnen een postcode koppelt.

Op basis van die data maakten we ook rapportering om de individuele prestaties van bemiddelaars te meten volgens dossiergebonden criteria en zo de kwaliteit van de geografische dekking op te volgen.

Resultaten

We ontwikkelden een overdraagbare versie van de geomarketingtoepassing en testten die in de omgeving van de klant. De automatische toepassing controleert wekelijks of een bestand beschikbaar is, verwerkt het en stuurt het terug naar de klant.

De klant kan zich nu richten op de beste 10% van de dossiers, met een gemiddeld invorderingspercentage van 90%. Met het grote aantal schulden dat jaarlijks wordt behandeld, is weten waar tijd en inspanning lonen cruciaal voor de rendabiliteit. De kwaliteit van de dossiers die bemiddelaars krijgen, beïnvloedt bovendien sterk hun motivatie en productiviteit.

En al die resultaten werden behaald in minder dan acht weken werk.