Efficacité opérationnelle des sociétés de recouvrement de créances

ML in debt recovery
Catégorie:
L'intelligence artificielle
Branche:
Fintech
Ville:
Wrocław
Modèles de coopération:
Team Outsourcing
Modèle de paiement:
Prix fixe
Durée:
6 mois

Client

L’une des plus grandes sociétés de recouvrement de créances en Pologne, qui compte plus de 4 millions de clients, a décidé de travailler avec nous sur deux projets de portée AI/ML. La confiance du client s’explique par la réussite de notre partenariat en matière de conseil et de formation dans le passé et par notre expérience dans l’application de méthodes mathématiques à la gestion de la dette.

Défi

L’évaluation des paquets de créances avant leur achat est l’un des domaines clés d’une société de recouvrement de créances. L’ensemble du processus d’évaluation, mené avec soin, prend beaucoup de temps. En même temps, la réalité du marché est qu’il est impossible de consacrer autant de temps à l’évaluation d’un ensemble de créances. Comme le client disposait d’informations limitées sur les créances des nouveaux clients et pouvait utiliser les données historiques de remboursement des clients connus, il disposait d’une base pour créer son propre modèle d’évaluation, adapté strictement aux besoins et aux spécificités de ses clients.

L’objectif du client n’était pas seulement d’évaluer les portefeuilles individuels avec plus de précision, mais aussi de fournir des informations plus précises qui expliquent pourquoi une évaluation particulière a été faite. Cela permet aux analystes qui évaluent les parcelles de dette de fournir des informations supplémentaires à ceux qui prennent les décisions finales sur le prix d’achat. Il en résulte des décisions plus efficaces dans le processus d’achat de la dette.

Solution

L’idée principale du projet était de développer une méthode alternative à la méthode existante pour évaluer les paquets de dettes avant leur achat. L’objectif était d’obtenir l’évaluation la plus précise, la plus reproductible et la plus rapide d’un ensemble de créances. L’élément clé était de prédire le taux de recouvrement de la dette achetée. Le projet a impliqué une équipe de quatre personnes composée de trois analystes et d’un programmeur supervisés par un expert en analyse de données.

Ateliers sur les produits 

La première étape du projet a consisté en une série d’ateliers visant à identifier :

– La portée du projet (y compris les types de portefeuilles de dette à évaluer)

– La fonctionnalité de la solution

Évaluation des critères de validation du modèle de données 

Nous avons proposé un schéma de validation assez complexe pour refléter les conditions dans lesquelles le modèle sera utilisé. À cette fin, nous avons utilisé des méthodes personnalisées basées sur des données historiques et des statistiques multivariées (avec optimisation). Ces méthodes sont préparées pour garantir à la fois la flexibilité de la méthode et la précision des prévisions de recouvrement.

Notre objectif était de fournir des moteurs de calcul qui sont alimentés en données et qui, en conséquence, fournissent des prédictions. Les applications utilisées pour la tarification ont été développées sur le site du client, alimentant notre moteur en données et recevant les résultats.

Construire un modèle de tarification forfaitaire 

L’objectif de la création du modèle est d’obtenir l’évaluation la plus précise, la plus reproductible et la plus rapide possible de l’ensemble de la dette.

Il existe plusieurs approches de modélisation basées sur la ML/AI qui peuvent être utilisées dans une telle tâche. Le choix dépend de la taille de la base de données, du nombre de débiteurs, de la volonté d’utiliser des méthodes nécessitant des calculs plus longs, et d’autres facteurs. Il est important de noter que le choix d’une approche n’est pas une tâche simple, car il nécessite une compréhension des besoins du client et des contraintes commerciales, ainsi que de celles découlant de la taille et de la qualité des données.

Les approches que nous avons choisies sont les suivantes :

  • Méthodes de distance – La méthode consiste à évaluer un ensemble de créances sur la base du comportement historique des ensembles les plus similaires que la société de recouvrement a achetés précédemment. L’application de cette approche nécessite la préparation d’une (micro)segmentation des paquets, la définition d’une mesure de similarité adaptée à l’objectif, l’optimisation multidimensionnelle des paramètres (par exemple, le nombre de paquets à partir desquels nous évaluons) et le développement de mesures qui permettent une validation fiable de la solution.
  • Table de recherche multidimensionnelle – L’approche a consisté à diviser les cas historiques en petites parcelles à l’aide des caractéristiques qui les décrivent. Pour ce faire, les caractéristiques numériques ont été divisées en plages. Dans l’étape suivante, une grande parcelle de cas évalués est divisée de manière analogue. Le comportement de chacune des parcelles de cas évalués qui en résulte est prédit sur la base du comportement de la parcelle correspondante de cas historiques.
  • Approche par régression – Un modèle d’apprentissage automatique par régression qui prédit un pourcentage de recouvrement pour chaque dossier d’une liasse en fonction de ses caractéristiques.

Itérations du modèle de tarification forfaitaire 

Au cours des étapes suivantes, nous avons livré des modèles progressivement améliorés en vue de leur intégration dans le système du client. Après les premiers tests et l’analyse des résultats, il s’est avéré que des modifications mineures devaient être apportées aux hypothèses formulées au début du projet, mais que celles-ci avaient des conséquences considérables. Il s’agit d’une situation typique dans les projets utilisant des méthodes mathématiques. Grâce à une préparation adéquate du code qui construit les modèles et à une livraison continue lors de l’itération suivante de la modélisation, les changements ont été rapidement pris en compte.

Cykl życia procesu eksploracji danych

Résultats

Le projet a été couronné de succès et la solution est maintenant utilisée pour fixer le prix des portefeuilles. Les rapports conçus pour les experts en évaluation aident les équipes du client à comprendre les raisons de la tarification des algorithmes et facilitent les ajustements manuels (si nécessaire, par exemple, en raison de l’insuffisance des données historiques).

Le client a beaucoup apprécié la coopération fructueuse et la bonne communication au sein de l’équipe, en particulier la capacité à nous adapter avec souplesse aux exigences. En outre, nous avons suggéré comment présenter les résultats et l’analyse supplémentaire dans un rapport destiné aux analystes qui évaluent les portefeuilles de dettes. Cela s’est avéré être une aide précieuse dans le processus d’évaluation.

« Nous avons été impressionnés par le développement d’algorithmes dédiés à nos données et à nos besoins. » Membre du conseil d’administration et DSI, société de recouvrement de créances

Technologies

R Language Logo
Logo docker - 1
python logo
Wirtualna przymierzalnia ubrań w sklepach internetowych

Cabine d’essayage virtuelle dans les magasins en ligne

Conception, développement, DevOps ou Cloud - de quelle équipe avez-vous besoin pour accélérer le travail sur vos projets ?

Discutez avec vos partenaires de consultation pour voir si nous sommes compatibles.

Jakub Orczyk

Membre du Conseil d’administration/Directeur des ventes VM.PL

Réservez une consultation gratuite
kuba (2)