Gazprombank.Tech mostró cómo la personalización con AI en la cobranza aumentó la recuperación de deudas un 25%

Gazprombank.Tech compartió su implementación de Next Best Action para gestionar deudas vencidas. El equipo combinó una nueva arquitectura de datos con modelos de uplift para seleccionar el mejor canal de comunicación para cada cliente y acelerar la recuperación de dinero sin sobrecargar el call center.

Dónde se perdían los días

Antes del lanzamiento del nuevo esquema, el banco operaba bajo la lógica clásica de plataforma de datos: las fuentes se replicaban en un almacén de datos operacional, luego pasaban por Stage y Core del almacén corporativo, y finalmente llegaban a data marts Hadoop para entrenamiento y puntuación de modelos. Este flujo era confiable pero demasiado lento para cobranza. La información más crítica —el hecho mismo de un retraso de pago— llegaba a los modelos con un retraso de hasta tres días.

Para entonces, el cliente ya había dejado de pagar, pero la respuesta personalizada del banco solo se dispararía al día siguiente. Encima de esto estaba la lógica de comunicación anticuada. Los contratos se colocaban en una matriz de Riesgo de Balance: cuanto mayor el riesgo y balance, más contactos recibía el cliente.

Lo que seguía era una cascada fija de acciones: notificación push, SMS, llamada robótica, llamada de operador. Este enfoque funcionaba para segmentos pero no respondía la pregunta clave: ¿qué canal funcionará realmente para este cliente específico ahora? Como resultado, algunas personas eran contactadas innecesariamente y el call center gastaba recursos en llamadas que podrían haberse evitado.

Cómo se construyó Next Best Action

El equipo eligió no rehacer el sistema de negocio Collection, sobrecargado, añadiendo otro proceso pesado. En su lugar, los desarrolladores encontraron un flujo de trabajo automatizado ya existente que se dispara cuando ocurre un retraso de pago y se conectaron a él a través del ETL Framework. Los eventos relevantes fueron etiquetados e inmediatamente exportados a Hadoop y Data Factory, eludiendo retrasos innecesarios.

Esto permitió al banco enterarse de un retraso de pago prácticamente en el momento en que ocurre sin crear carga adicional en el circuito principal. Después transformaron el propio modelo de toma de decisiones. En lugar de segmentación, el equipo pasó a First Best Action y Next Best Action: el sistema no solo determina riesgo sino que recomienda el mejor siguiente canal de comunicación.

Para el piloto, probaron varios enfoques de uplift: modelos únicos, pares de modelos independientes y dependientes, variantes multiclase y multi-tratamiento. Los evaluaron no por una métrica única atractiva, sino inmediatamente contra un conjunto de restricciones: Gini, Riesgo de Balance, Qini, costos de comunicación, presupuesto y disponibilidad de operadores del call center.

"Decidimos que no elegiríamos nada, simplemente escribiríamos un optimizador."

Al final, se creó un optimizador que en cada etapa de morosidad entrena y ajusta un conjunto de modelos y luego selecciona la mejor opción bajo restricciones comerciales específicas. En la etapa temprana, el sistema First Best Action recomienda directamente si escribir al cliente, enviar notificación push, SMS, transferir el caso a un robot u operador. Además, el banco mantiene modelos de control de calidad para ver no solo la conversión general sino también cómo se comportan los modelos de uplift dentro de cada grupo.

Lo que mostró el piloto

El piloto se estructuró como un experimento justo. Aproximadamente el 30% del flujo se dirigió al circuito de prueba, mientras que el volumen restante se dividió entre la estrategia antigua y el nuevo sistema de recomendaciones. La recopilación de datos comenzó a finales de 2024, seguida de dos meses de desarrollo e implementación en producción. Según el equipo, el proyecto se ajustó a un ciclo de vida normal de modelo pero mostró resultados notables ya en la primera etapa de cobranza.

• La tasa de liquidación aumentó en un 25% en relación con la estrategia actual.
• Los canales de comunicación individuales mostraron efectos de 15% a 32% de ganancia adicional.
• Las llamadas de operador se redujeron en un 73% y el costo de comunicación por cliente disminuyó en un 10%.
• La tasa de respuesta del cliente aumentó en un 5% para llamadas de operador y en un 11% para llamadas robóticas.
• El efecto financiero superó 3 mil millones de rublos en saldos ahorrados por cada 20 mil contratos en solo un mes en la etapa First Best Action.

Lo que significa esto

El caso de Gazprombank.Tech demuestra que en procesos sensibles como la cobranza, gana la comunicación más precisa, no la más agresiva. Si eliminas el retraso de datos y seleccionas el canal de contacto para cada cliente específico, la IA puede aumentar simultáneamente la recuperación de dinero, reducir costos y evitar quemar la lealtad del cliente con llamadas innecesarias.