Inkasso-Strategie mit ML optimieren

Inkasso-Optimierung mit ML bedeutet, jedes überfällige Konto anhand zweier getrennter Fragen zu bewerten: Wie wahrscheinlich heilt es von selbst oder verschlechtert es sich, wenn Sie nichts tun, und wie stark würde eine bestimmte Kontaktmaßnahme das verändern. Anschließend investieren Sie die endliche Agentenzeit dort, wo die Maßnahme das Ergebnis tatsächlich bewegt. Das ist Treatment-Selektion unter Wohlverhaltens-Nebenbedingungen, und es verhält sich völlig anders als ein lauterer Dialer.

Die meisten Inkasso-Bereiche arbeiten immer noch eine Warteschlange ab, die nach Verzugstagen und Saldo sortiert ist. Diese Reihenfolge ist intuitiv und meistens falsch. Das Konto, das seit dreißig Tagen überfällig ist, eine solide Rückzahlungshistorie und eine geplatzte Lastschrift hat, wird sehr wahrscheinlich von selbst heilen; ein Anruf dort verbraucht eine Agentenstunde, ohne etwas zu ändern. Das Konto mit einem langsamen Abdriften über drei Zyklen und einer schrumpfenden Zahlungsquote ist der Ort, an dem sich dieselbe Stunde bezahlt macht. Eine Sortierung nach Verzugstiefe verwechselt, wie schlecht ein Konto aussieht, damit, wie viel Sie daran ändern können.

Trennen Sie das Risikomodell vom Treatment-Modell

Das erste Modell beantwortet eine kontrafaktische Frage: Wenn dieses Konto in diesem Zyklus keinen Kontakt erhält, wie hoch ist die Wahrscheinlichkeit, dass es von seiner aktuellen Stufe in die nächste rutscht. Das ist ein Roll-Rate- oder Self-Cure-Modell, trainiert auf Konten, die tatsächlich in Ruhe gelassen oder nur leicht angegangen wurden, sodass das Label nicht durch genau die Inkasso-Aktivität kontaminiert ist, die Sie eigentlich bewerten wollen.

Das zweite Modell ist dasjenige, das die Warteschlange tatsächlich steuert. Für jede verfügbare Maßnahme, ob eine SMS, ein sanfter Erinnerungsanruf, ein Härtefall-Outreach-Anruf oder das Angebot eines Ratenplans, schätzt es die Veränderung der Roll-Wahrscheinlichkeit, die diese Maßnahme bewirkt. Dieser Uplift ist die Größe, nach der zu ranken sich lohnt. Ein Konto kann hochriskant und nicht behandelbar sein, in welchem Fall keine Kontaktstrategie es rettet und die Kosten in die Risikovorsorge (provisioning) gehören statt in den Arbeitstag des Agenten. Ein anderes kann risikoarm, aber gut behandelbar sein, wo eine einzige gut getimte Nachricht es im Soll hält.

Die beiden Modelle auseinanderzuhalten ist aus einem praktischen Grund wichtig. Wenn jemand fragt, warum ein Konto weit oben in der Warteschlange steht, können Sie mit zwei nachvollziehbaren Zahlen antworten statt mit einem verrührten Score, den niemand hinterfragen kann. Es erlaubt Ihnen außerdem, sie in unterschiedlichen Takten neu zu trainieren. Das Roll-Verhalten verschiebt sich langsam; die Treatment-Response driftet schneller, sobald Kanäle saturieren und Kunden anfangen, die dritte SMS in einer Woche zu ignorieren.

Point-in-Time-Features, sonst lernt das Modell die Zukunft

Inkasso-Daten sind ungewöhnlich gut darin, zu lecken. Der Delinquenz-Ledger ist ein bewegliches Objekt: Zahlungen werden verspätet gebucht, Status werden zurückgesetzt, wenn ein Konto heilt, und Härtefall-Flags werden rückwirkend gesetzt, sobald ein Fall eröffnet wird. Wenn Sie Trainings-Features aus der Current-State-Tabelle bauen, reichen Sie dem Modell Informationen, die im Entscheidungsmoment gar nicht existierten. Das Konto zeigt eine Härtefall-Vereinbarung, weil es später ausfiel; das Modell liest die Vereinbarung als Prädiktor und meldet eine Genauigkeit, die es in der Produktion nie reproduzieren wird.

Die Lösung besteht darin, jedes Feature zum Entscheidungszeitpunkt aus einem Append-only-Event-Log zu rekonstruieren, sodass ein Snapshot nur das enthält, was damals bekannt war. Konkret:

• Bauen Sie Zahlungsquoten, Rückstandssaldo und Stufe aus Ledger-Einträgen neu auf, die auf oder vor dem Score-Datum datiert sind, niemals aus der abgestimmten Endabrechnung des Zyklus.
• Behandeln Sie Cure- und Forbearance-Flags als Ereignisse mit eigenen Zeitstempeln und schließen Sie alle aus, die nach dem Snapshot gesetzt wurden.
• Lösen Sie das Konto produktübergreifend auf einen Kunden auf, bevor Sie aggregieren, damit Exposure und bisherige Kontakthistorie vollständig sind statt über Systeme verteilt, und damit die Entity Resolution nicht selbst einen künftigen Merge hereinzieht.
• Halten Sie ein Eval-Set aus einem späteren Zeitfenster als das Training zurück, keinen zufälligen Split, denn ein zufälliger Split lässt nahezu identische Zyklen desselben Kontos auf beiden Seiten sitzen.

Ein Feature Store, der Training und Live-Scorer dieselbe Point-in-Time-Logik liefert, ist der sauberste Weg, um zu verhindern, dass die Offline- und Online-Definitionen auseinanderdriften. Wenn sie divergieren, performt das Modell im Notebook und enttäuscht in der Warteschlange, und es dauert Wochen, um herauszufinden, warum.

Optimieren Sie unter Nebenbedingungen und bewahren Sie die Prüfspur

Ein Ranking nach Uplift gibt Ihnen eine Prioritätsreihenfolge. Es gibt Ihnen für sich genommen noch keine regelkonforme Strategie, denn die Maßnahme, die die erwartete Rückgewinnung maximiert, ist manchmal eine Maßnahme, die Sie nicht ergreifen dürfen. Leistbarkeitsregeln, Stundungspflichten, Kontakthäufigkeits-Obergrenzen und Schutzmaßnahmen für vulnerable Kunden sind keine weichen Präferenzen, die der Optimierer gegen den Rückgewinnungswert eintauschen darf. Sie gehören als harte Nebenbedingungen ins Modell.

Wir strukturieren es tendenziell als beschränkte Zuweisung: Maximiere den erwarteten Uplift über das Buch unter der Nebenbedingung eines Agenten-Kapazitätslimits, einer Kontaktobergrenze pro Kunde und einer Regelschicht, die unzulässige Maßnahmen entfernt, bevor der Optimierer sie überhaupt zu sehen bekommt. Ein als in finanzieller Notlage markierter Kunde wird nicht in ein Druckskript geleitet, egal wie hoch der Rückgewinnungs-Uplift ist; die zulässige Maßnahmenmenge für dieses Konto wird zuerst eingegrenzt, dann gerankt. Das Wohlverhaltens-Regelwerk entscheidet, was erlaubt ist. Das Modell ordnet nur, was übrig bleibt.

Zwei Dinge halten das über die Zeit verteidigbar:

• Ein schriftliches Maßnahmen-Log für jeden Kontakt: die Features, beide Scores, die zulässige Maßnahmenmenge, die gewählte Maßnahme und das Ergebnis. Wenn eine Aufsichtsbehörde oder ein interner Prüfer fragt, warum ein bestimmter Kunde angerufen wurde, ist die Antwort ein Nachweis, keine Rekonstruktion.
• Monitoring auf Conduct-Drift, nicht nur auf Modellgenauigkeit. Verfolgen Sie Kontaktintensität, Angebotsmix und Heilungsraten aufgeschlüsselt nach geschützten Merkmalen und schlagen Sie Alarm, wenn sich die Verteilung verschiebt. Ein Modell kann seine Gesamtperformance halten und dabei stillschweigend den Druck auf eine Gruppe konzentrieren, während sich die Population darunter verschiebt.

Nichts davon muss vollständig autonom sein, um sich zu rechnen. Straight-through processing eignet sich für die einfachen Ränder: die nahezu sicheren Self-Cures, die eine automatisierte Erinnerung brauchen, und die Konten, bei denen jede zulässige Maßnahme nahe null scored und der Fall an eine spezialisierte Härtefallbearbeitung geleitet werden sollte statt an einen Standard-Dialer. Die umstrittene Mitte, wo der Uplift real ist, aber die richtige Behandlung eine Ermessensentscheidung ist, ist genau der Ort, an dem Sie einen erfahrenen Inkasso-Sachbearbeiter die Stunde investieren lassen wollen, die das Modell gerade freigeräumt hat.