Gazprombank.Tech mostrou como a personalização com AI na cobrança aumentou a recuperação de dívidas em 25%

Gazprombank.Tech compartilhou sua implementação de Próxima Melhor Ação (Next Best Action) para gerenciar débitos vencidos. A equipe combinou uma nova arquitetura de dados com modelos de uplift para selecionar o melhor canal de comunicação para cada cliente e acelerar a recuperação de dinheiro sem sobrecarregar o call center.

Onde os dias se perdiam

Antes do lançamento do novo esquema, o banco operava sob lógica clássica de plataforma de dados: as fontes eram replicadas em um armazém de dados operacional, depois passavam pela Stage e Core do armazém corporativo, e finalmente chegavam aos data marts Hadoop para treinamento e pontuação de modelos. Esse pipeline era confiável, mas muito lento para cobrança. A informação mais crítica — o próprio fato de um atraso de pagamento — chegava aos modelos com uma defasagem de até três dias.

Nesse ponto, o cliente já tinha deixado de pagar, mas a resposta personalizada do banco dispararia apenas no dia seguinte. Além disso havia a lógica de comunicação antiquada. Contratos eram colocados em uma matriz de Risco de Saldo: quanto maior o risco e saldo, mais contatos o cliente recebia.

O que se seguia era uma cascata fixa de ações — push, SMS, chamada de robô, chamada de operador. Essa abordagem funcionava para segmentos, mas falhava em responder a pergunta-chave: qual canal realmente funcionará para este cliente específico agora? Como resultado, algumas pessoas eram contatadas desnecessariamente e o call center gastava recursos em chamadas que poderiam ter sido evitadas.

Como foi construído o Next Best Action

A equipe escolheu não reformular o sistema de negócios Collection, sobrecarregado, adicionando outro processo pesado. Em vez disso, os desenvolvedores encontraram um fluxo de trabalho automatizado já existente que dispara quando ocorre um atraso no pagamento e se conectaram a ele através do ETL Framework. Os eventos relevantes foram marcados com tags e imediatamente exportados para Hadoop e Data Factory, contornando atrasos desnecessários.

Isso permitiu ao banco conhecer um atraso de pagamento virtualmente no momento em que ocorre, sem criar carga adicional no sistema principal. Depois disso, transformaram o próprio modelo de tomada de decisão. Em vez de segmentação, a equipe passou para Primeira Melhor Ação e Próxima Melhor Ação: o sistema não apenas determina risco, mas recomenda o melhor próximo canal de comunicação.

Para o piloto, testaram várias abordagens de uplift — modelos únicos, pares de modelos independentes e dependentes, variantes multiclasse e multi-tratamento. Avaliaram-nos não por uma métrica única atraente, mas imediatamente contra um conjunto de restrições: Gini, Risco de Saldo, Qini, custos de comunicação, orçamento e disponibilidade de operadores do call center.

"Decidimos que não escolheríamos nada — apenas escreveríamos um otimizador."

No final, um otimizador foi criado que em cada estágio de inadimplência treina e ajusta um conjunto de modelos e, em seguida, seleciona a melhor opção sob restrições comerciais específicas. No estágio inicial, o sistema de Primeira Melhor Ação recomenda diretamente se deve escrever para o cliente, enviar notificação push, SMS, transferir o caso para um robô ou para um operador. Além disso, o banco mantém modelos de controle de qualidade para ver não apenas a conversão geral, mas também como os modelos de uplift se comportam dentro de cada grupo.

O que o piloto mostrou

O piloto foi estruturado como um experimento justo. Aproximadamente 30% do fluxo foi direcionado ao circuito de teste, enquanto o volume restante foi dividido entre a estratégia antiga e o novo sistema de recomendações. A coleta de dados começou no final de 2024, seguida por dois meses de desenvolvimento e implantação em produção. De acordo com a equipe, o projeto se encaixou em um ciclo de vida normal de modelo, mas forneceu resultados notáveis já no primeiro estágio de cobrança.

• A taxa de liquidação aumentou 25% em relação à estratégia atual.
• Canais de comunicação individuais mostraram efeitos de 15% a 32% de lucro adicional.
• Chamadas de operador foram reduzidas em 73% e o custo de comunicação por cliente diminuiu 10%.
• A taxa de resposta do cliente aumentou 5% para chamadas de operador e 11% para chamadas de robô.
• O efeito financeiro excedeu 3 bilhões de rublos em saldos economizados por 20 mil contratos em apenas um mês no estágio de Primeira Melhor Ação.

O que isso significa

O caso Gazprombank.Tech demonstra que em processos sensíveis como cobrança, a comunicação mais precisa vence, não a mais agressiva. Se você eliminar a defasagem de dados e selecionar o canal de contato para cada cliente específico, a IA pode simultaneamente aumentar a recuperação de dinheiro, reduzir custos e evitar queimar a lealdade do cliente com chamadas desnecessárias.