Debt Collection Industry: Machine Learning Approach

Businesses are increasingly interested in how big data, artificial intelligence, machine learning, and predictive analytics can be used to increase revenue, lower costs, and improve their business processes. in this paper, we describe how we have developed a data-driven machine learning method to optimize the collection process for a debt collection agency. precisely speaking, we create a framework for the data-driven scheduling of outbound calls made by debt collectors. these phone calls are used to persuade debtors to settle their debt, or to negotiate payment arrangements in case debtors are willing, but unable to repay. we determine daily which debtors should be called to maximize the amount of delinquent debt recovered in the long term, under the constraint that only a limited number of phone calls can be made each day. our approach is to formulate a markov decision process and, given its intractability, approximate the value function based on historical data through the use of state-of-the-art machine learning techniques. precisely, we predict the likelihood with which a debtor in a particular state is going to settle its debt and use this as a proxy for the value function. based on this value function approximation, we compute for each debtor the marginal value of making a call. this leads to a particularly straightforward optimization procedure, namely, we prioritize the debtors that have the highest marginal value per phone call. we believe that our optimized policy substantially outperforms the current scheduling policy that has been used in business practice for many years. most importantly, our policy collects more debt in less time, whilst using substantially fewer resources leading to a large increase in the amount of debt collected per phone call.

صنعت وصول مطالبات: رهیافت یادگیری ماشین

علاقه کسب‌و‌کارها به چگونگی استفاده از کلان داده، هوش مصنوعی، یادگیری ماشین و تحلیل تجربی به منظور افزایش درآمد، کاهش هزینه و بهبود فرآیندهای کسب و کار به طور چشمگیری رشد کرده است. در این مقاله، چارچوبی جهت زمانبندی دادهمحور تماس‌های تلفنی کارشناسان وصول مطالبات با بدهکاران، ارائه خواهد شد. این تماس‌های تلفنی به منظور متقاعد کردن بدهکاران جهت تسویه بدهی و یا مذاکره روی یک برنامه مشخص برای پرداخت اقساطی بدهی، صورت می‌گیرد. با توجه به این که هر کارشناس در طول یک روز کاری می‌تواند تعداد محدودی تماس تلفنی بگیرد، در طرح پیشنهادی مشخص خواهد شد که در هر روز باید با کدام بدهکاران تماس گرفته تا میزان وصول در درازمدت افزایش قابل ملاحظه‌ای یابد. در این مقاله رهیافت حل مسأله، فرمول‌بندی فرآیند تصمیم‌گیری مارکوف می‌باشد. از آن جایی که حل دقیق این معادله غیرممکن است، یک تابع مقدار براساس داده‌های پیشین، با استفاده از پیشرفته‌ترین تکنیک‌های یادگیری ماشین تقریب زده می‌شود. به طور مشخص، احتمال پرداخت بدهی توسط بدهکار در یک حالت خاص پیش‌بینی شده و به عنوان یک نماینده (پروکسی) برای تابع مقدار استفاده خواهد شد. بر اساس این تقریب از تابع مقدار، مقدار مرزی گرفتن تماس به ازای هر بدهکار مشخص می‌گردد، که این مسأله منجر به یک روند بهینه‌سازی به طور خاص سرراست خواهد شد. یعنی بدهکاران بر اساس بالاترین مقدار مرزی به ازای هر تماس تلفنی، اولویت‌بندی می‌شوند. ما معتقدیم که این سیاست بهینه‌سازی شده به طور قابل ملاحظه‌ای از سیاست زمان‌بندی موجود که برای سال‌ها در این کسب و کار مورد استفاده قرار گرفته است، بهتر می‌باشد. مهم‌تر اینکه، سیاست پیشنهادی با استفاده از منابع بسیار کمتری منجر به وصول بدهی بیشتر در زمان کوتاه‌تر خواهد شد و در نتیجه شاخص میزان وصول به ازای تماس تلفنی را افزایش خواهد داد.