Gazprombank.Tech يوضح كيف زاد التخصيص باستخدام AI في التحصيل من استرداد الديون بنسبة 25%

شاركت غازبرومبانك.تك تنفيذها لـ Next Best Action لإدارة الديون المتأخرة. جمعت الفريق بين بنية بيانات جديدة ونماذج الرفع لاختيار أفضل قناة اتصال لكل عميل وتسريع استرجاع الأموال دون إرهاق مركز الاتصالات.

حيث كانت تُفقد الأيام

قبل إطلاق المخطط الجديد، كانت البنك تعمل بموجب منطق منصة البيانات الكلاسيكية: تم تكرار المصادر في مستودع البيانات التشغيلي، ثم مرت عبر مراحل Stage و Core في مستودع المؤسسة، وأخيراً وصلت إلى مستودعات بيانات Hadoop لتدريب ونقاط النماذج. كان هذا خط الأنابيب موثوقاً لكنه بطيء جداً للتحصيل. المعلومات الأكثر حساسية — حقيقة التأخر عن السداد — وصلت إلى النماذج بتأخير يصل إلى ثلاثة أيام.

في هذه المرحلة، كان العميل قد فشل بالفعل في السداد، لكن الاستجابة المخصصة للبنك كانت ستبدأ في اليوم التالي فقط. إلى جانب هذا كانت هناك منطق الاتصالات القديم. تم وضع العقود في مصفوفة مخاطر الرصيد: كلما زاد الخطر والرصيد، زاد عدد الاتصالات التي يتلقاها العميل.

ما تلاه كان سلسلة ثابتة من الإجراءات: إشعار فوري، رسالة نصية، مكالمة روبوتية، مكالمة من موظف. كان هذا النهج يعمل على المستويات لكنه فشل في الإجابة على السؤال الرئيسي: أي قناة ستعمل فعلاً مع هذا العميل المحدد الآن؟ نتيجة لذلك، تم الاتصال ببعض الأشخاص دون داع، وأنفق مركز الاتصالات الموارد على مكالمات كان يمكن تجنبها.

كيف تم بناء Next Best Action

اختار الفريق عدم إعادة هيكلة نظام Collection للعمليات التجارية المُثقل بأضافة عملية أخرى ثقيلة. بدلاً من ذلك، وجد المطورون سير عمل مؤتمت موجود بالفعل يتم تفعيله عند حدوث تأخر الدفع واتصلوا به عبر ETL Framework. تم وضع علامات على الأحداث ذات الصلة وتصديرها فوراً إلى Hadoop و Data Factory، متجاوزة التأخيرات غير الضرورية.

سمح هذا للبنك بمعرفة التأخر في الدفع فعلياً في لحظة حدوثه دون إنشاء عبء إضافي على الدائرة الرئيسية. بعد ذلك، قاموا بتحويل نموذج صنع القرار نفسه. بدلاً من التقسيم، انتقل الفريق إلى First Best Action و Next Best Action: لا يحدد النظام الخطر فقط بل يوصي بأفضل قناة اتصال تالية.

للتجربة، اختبروا عدة طرق رفع: نماذج فردية، أزواج نماذج مستقلة وتابعة، متغيرات متعددة الفئات ومتعددة المعالجات. قيموها ليس بمقياس جميل واحد بل مباشرة مقابل مجموعة من القيود: Gini، مخاطر الرصيد، Qini، تكاليف الاتصالات، الميزانية وتوفر موظفي مركز الاتصالات.

"قررنا أننا لن نختار أي شيء — سنكتب محسّناً فقط."

في النهاية، تم إنشاء محسّن يقوم في كل مرحلة من مراحل التأخر بتدريب وضبط مجموعة من النماذج، ثم يختار الخيار الأفضل في ظل قيود العمل المحددة. في المرحلة المبكرة، يوصي نظام First Best Action مباشرة ما إذا كان يجب الكتابة إلى العميل أو إرسال إشعار فوري أو رسالة نصية أو نقل الحالة إلى روبوت أو موظف. بالإضافة إلى ذلك، تحتفظ البنك بنماذج مراقبة جودة لرؤية ليس فقط التحويل العام بل أيضاً كيفية تصرف نماذج الرفع ضمن كل مجموعة.

ما أظهرته التجربة

تم بناء التجربة كتجربة عادلة. تم توجيه حوالي 30% من التدفق إلى الدائرة الاختبارية، بينما تم تقسيم الحجم المتبقي بين الاستراتيجية القديمة والنظام الجديد للتوصيات. بدأت جمع البيانات في أواخر 2024، تلاها شهران من التطوير والنشر الإنتاجي. وفقاً للفريق، تناسب المشروع دورة حياة النموذج الطبيعية لكنه أعطى نتائج ملحوظة بالفعل في المرحلة الأولى من التحصيل.

• زادت نسبة التسوية بنسبة 25% مقابل الاستراتيجية الحالية.
• أظهرت قنوات الاتصال الفردية تأثيرات تتراوح من 15% إلى 32% ربح إضافي.
• انخفضت مكالمات الموظفين بنسبة 73% وانخفضت تكلفة الاتصال لكل عميل بنسبة 10%.
• زاد معدل استجابة العملاء بنسبة 5% لمكالمات الموظفين و 11% للمكالمات الروبوتية.
• تجاوز التأثير المالي 3 مليارات روبل من الأرصدة المحفوظة لكل 20 ألف عقد في شهر واحد فقط في مرحلة First Best Action.

ماذا يعني هذا

تُظهر حالة غازبرومبانك.تك أنه في العمليات الحساسة مثل التحصيل، تفوز الاتصالات الأكثر دقة وليس الأكثر عدوانية. إذا قضيت على التأخير في البيانات واخترت قناة الاتصال لكل عميل محدد، يمكن للذكاء الاصطناعي أن يزيد الاسترجاع المالي ويقلل التكاليف ويتجنب حرق ولاء العملاء بمكالمات غير ضرورية في الوقت نفسه.