Gazprombank.Tech a montré comment la personnalisation par AI des actions de recouvrement a amélioré le recouvrement de créances de 25 %

Gazprombank.Tech a partagé sa mise en œuvre de Next Best Action pour gérer les dettes en souffrance. L'équipe a combiné une nouvelle architecture de données avec des modèles d'uplift pour sélectionner le meilleur canal de communication pour chaque client et accélérer la récupération d'argent sans surcharger le centre d'appels.

Où les jours se perdaient

Avant le lancement du nouveau schéma, la banque fonctionnait selon la logique classique de plateforme de données : les sources étaient répliquées dans un entrepôt de données opérationnel, passaient par les couches Stage et Core de l'entrepôt d'entreprise, puis arrivaient aux data marts Hadoop pour l'entraînement et la notation des modèles. Ce pipeline était fiable mais trop lent pour le recouvrement. L'information la plus critique — le fait même d'un retard de paiement — parvenait aux modèles avec un délai allant jusqu'à trois jours.

À ce moment-là, le client avait déjà raté son paiement, mais la réponse personnalisée de la banque ne s'activerait que le lendemain. Par-dessus cela s'ajoutait la logique de communication obsolète. Les contrats étaient placés dans une matrice de Risque de Solde : plus le risque et le solde étaient élevés, plus le client recevait de contacts.

Ce qui suivait était une cascade fixe d'actions : notification push, SMS, appel robotique, appel d'opérateur. Cette approche fonctionnait pour les segments mais ne répondait pas à la question clé : quel canal fonctionnera réellement pour ce client spécifique maintenant ? En résultat, certaines personnes étaient contactées inutilement et le centre d'appels gaspillait des ressources sur des appels qui auraient pu être évités.

Comment Next Best Action a été construite

L'équipe a choisi de ne pas refondre le système métier Collection, déjà surchargé, en ajoutant un autre processus lourd. À la place, les développeurs ont trouvé un flux de travail automatisé existant qui s'active lors d'un retard de paiement et s'y sont connectés via ETL Framework. Les événements pertinents ont été étiquetés et immédiatement exportés vers Hadoop et Data Factory, évitant les délais inutiles.

Cela a permis à la banque de connaître un retard de paiement pratiquement au moment où il se produit sans créer de charge supplémentaire sur le circuit principal. Après cela, ils ont transformé le modèle de prise de décision lui-même. Au lieu de la segmentation, l'équipe a opté pour First Best Action et Next Best Action : le système ne détermine pas seulement le risque mais recommande le meilleur prochain canal de communication.

Pour le pilote, ils ont testé plusieurs approches d'uplift : modèles uniques, paires de modèles indépendantes et dépendantes, variantes multi-classes et multi-traitement. Ils les ont évalués non pas sur une seule belle métrique mais immédiatement par rapport à un ensemble de contraintes : Gini, Risque de Solde, Qini, coûts de communication, budget et disponibilité des opérateurs du centre d'appels.

«

Nous avons décidé que nous ne choisirions rien du tout — nous allions juste écrire un optimiseur. »

Au final, un optimiseur a été créé qui, à chaque stade de délinquance, entraîne et ajuste un ensemble de modèles, puis sélectionne la meilleure option sous des contraintes métier spécifiques. Au stade précoce, le système First Best Action recommande directement s'il faut écrire au client, envoyer une notification push, un SMS, transférer le dossier à un robot ou à un opérateur. De plus, la banque maintient des modèles de contrôle de qualité pour voir non seulement la conversion globale mais aussi comment les modèles d'uplift se comportent dans chaque groupe.

Ce que le pilote a montré

Le pilote a été structuré comme une expérience équitable. Environ 30% du flux a été dirigé vers le circuit de test, tandis que le volume restant a été divisé entre l'ancienne stratégie et le nouveau système de recommandations. La collecte de données a commencé fin 2024, suivie de deux mois de développement et de déploiement en production. Selon l'équipe, le projet s'est inscrit dans un cycle de vie normal de modèle mais a fourni des résultats notables dès la première étape de recouvrement.

• Le taux de règlement a augmenté de 25% par rapport à la stratégie actuelle.
• Les canaux de communication individuels ont montré des effets de 15% à 32% de profit supplémentaire.
• Les appels d'opérateur ont été réduits de 73% et le coût de communication par client a baissé de 10%.
• Le taux de réponse des clients a augmenté de 5% pour les appels d'opérateur et de 11% pour les appels robotiques.
• L'effet financier a dépassé 3 milliards de roubles en soldes économisés pour chaque 20 000 contrats en seulement un mois au stade First Best Action.

Ce que cela signifie

Le cas Gazprombank.Tech démontre que dans les processus sensibles comme le recouvrement, c'est la communication la plus précise qui gagne, pas la plus agressive. Si vous éliminez le délai des données et sélectionnez le canal de contact pour chaque client spécifique, l'IA peut augmenter simultanément la récupération d'argent, réduire les coûts et éviter de brûler la fidélité des clients avec des appels inutiles.