Gazprombank.Tech: التخصيص بالذكاء الاصطناعي في تحصيل الديون رفع نسبة الاسترداد بنسبة 25%

تحدثت Gazprombank.Tech عن تطبيق Next Best Action في التعامل مع الديون المتأخرة. جمع الفريق بين بنية بيانات جديدة ونماذج uplift لاختيار أفضل قناة تواصل لكل عميل، واسترداد الأموال بصورة أسرع دون إثقال مركز الاتصال بأعباء إضافية.

أين كانت تضيع الأيام

قبل إطلاق المخطط الجديد، كان البنك يعمل وفق منطق منصة البيانات التقليدية. كانت المصادر تُنسخ إلى مخزن تشغيلي، ثم تمر عبر طبقتي Stage وCore في المستودع المؤسسي، وبعد ذلك تصل إلى واجهات بيانات (витрины) على Hadoop لتدريب النماذج وإجراء التقييم الائتماني (scoring). كانت هذه السلسلة موثوقة، لكنها بطيئة أكثر مما يحتمله التحصيل.

أما أكثر المعلومات حساسية، وهي واقعة حدوث التأخر في السداد ذاتها، فكانت تصل إلى النماذج بتأخر يصل إلى ثلاثة أيام. يكون العميل قد تخلف عن الدفع بالفعل، ولا يبدأ رد فعل البنك المخصص إلا بعد غد.

وزاد من ذلك منطق التواصل القديم. كانت العقود تُوزَّع على مصفوفة Balance at Risk: كلما ارتفع الخطر والرصيد، زاد عدد مرات الاتصال بالعميل. ثم تأتي سلسلة ثابتة من الإجراءات: إشعار push، فرسالة SMS، فمكالمة من روبوت، فمكالمة من مشغل. نجح هذا النهج على مستوى الشرائح، لكنه لم يجب عن السؤال الأهم: أي قناة ستنجح مع هذا العميل تحديدًا الآن. والنتيجة أن جزءًا من العملاء كان يُزعَج بلا داعٍ، وأن مركز الاتصال كان يهدر موارده على مكالمات كان يمكن الاستغناء عنها.

كيف بُني NBA

لم يشأ الفريق تعطيل نظام Collection التجاري شديد التحميل ولا إضافة عملية ثقيلة أخرى إليه. بدلًا من ذلك، عثر المطورون على مهمة آلية قائمة تُشغَّل لحظة ظهور التأخر، وربطوا النظام بها عبر ETL Framework. وُسمت الأحداث اللازمة بعلامات (tags) وحُمِّلت فورًا إلى Hadoop وData Factory دون تأخيرات زائدة. بهذه الطريقة صار البنك يعلم بالتأخر في لحظة ظهوره تقريبًا، دون إنشاء أي حمل إضافي على المسار الرئيسي.

بعد ذلك غيّر الفريق نموذج اتخاذ القرار نفسه. فبدلًا من التقسيم إلى شرائح، انتقل إلى First Best Action وNext Best Action: لا يكتفي النظام بتحديد الخطر، بل يوصي بأفضل قناة تواصل تالية. وفي التجربة التجريبية اختُبرت عدة مقاربات uplift: نماذج solo، وأزواج نماذج مستقلة وتابعة، وصيغ متعددة الفئات وmulti-treatment. ولم تُقيَّم بمقياس واحد لافت، بل وفق مجموعة قيود في آن واحد: Gini وBalance at Risk وQini وتكلفة الاتصالات والميزانية وتوافر مشغلي مركز الاتصال.

«قررنا ألا نختار شيئًا على الإطلاق، بل نكتب مُحسِّنًا (optimizer) وحسب».

وهكذا ظهر مُحسِّن يدرّب ويضبط مجموعة نماذج في كل مرحلة من مراحل التأخر، ثم يختار الخيار الأفضل ضمن القيود التجارية المحددة. وفي المرحلة المبكرة First Best Action يوصي النظام صراحةً بما إذا كان ينبغي مراسلة العميل، أو إرسال push أو SMS، أو تحويل الحالة إلى روبوت أو مشغل. كما يحتفظ البنك بنماذج مراقبة جودة، ليرى لا معدل التحويل النهائي فحسب، بل أيضًا كيف تتصرف نماذج uplift داخل كل مجموعة.

ماذا أظهرت التجربة التجريبية

صُمّمت التجربة كتجربة نزيهة. وُجّه نحو 30% من التدفق إلى المسار الاختباري، وقُسِّم الحجم المتبقي بين الاستراتيجية القديمة ونظام التوصيات الجديد. بدأ جمع البيانات في نهاية 2024، ثم استغرق التطوير والانتقال إلى التشغيل الصناعي شهرين إضافيين. وبحسب الفريق، التزم المشروع بدورة حياة النموذج المعتادة، لكنه حقق أثرًا ملحوظًا منذ المرحلة الأولى من التحصيل.

• ارتفعت نسبة التسوية 25% مقارنة بالاستراتيجية الحالية.
• في بعض قنوات التواصل حقق الأثر ما بين 15% و32% من الربح الإضافي.
• انخفض عدد مكالمات المشغلين 73%، وتراجعت تكلفة التواصل لكل عميل 10%.
• ارتفعت استجابة العملاء 5% عند الاتصال بمشغل، و11% عند الاتصال بروبوت.
• تجاوز الأثر المالي 3 مليارات روبل من الأرصدة المحفوظة لكل 20 ألف عقد خلال شهر واحد فقط في مرحلة First Best Action.

ماذا يعني ذلك

تُظهر حالة Gazprombank.Tech أنه في العمليات الحساسة مثل التحصيل، لا يفوز التواصل الأكثر عدوانية بل الأكثر دقة. فإذا أُزيل تأخر البيانات واختيرت قناة الاتصال وفق كل عميل، يستطيع الذكاء الاصطناعي أن يرفع استرداد الأموال ويخفض النفقات في آن واحد، دون أن يهدر ولاء العملاء بمكالمات زائدة.