Modernizacja procesu windykacji Przewidywanie zachowania

Modernizacja procesu windykacji Przewidywanie zachowania

SKAT
wdrożenie
Rozwiązania predykcyjne wspomagają proces ściągania podatków
SKAT to duńska instytucja rządowa odpowiedzialna za zbieranie podatków i ceł. Jej misją
jest zapewnienie środków na finansowanie działań sektora publicznego. Instytucja zatrudnia
około 7500 osób, z czego 1500 zajmuje się ściąganiem należności i jest odpowiedzialnych
za ponad 250 różnych rodzajów należności publicznych – począwszy od podatku dochodowego i ceł, a kończąc na biletach kolejowych i abonamencie telewizyjnym.
„Obecnie zajmujemy się windykacją blisko 8,5 miliarda EURO należności, od ponad 600 tys.
dłużników – obywateli, przedsiębiorców i firm” – komentuje Mads Krogh Nielsen, szef
działu analizy danych i data mining w SKAT. „Jest to ogromne i skomplikowane zadanie,
gdyż odzyskiwanie wierzytelności, to w większości przypadków proces, którego nie można
zautomatyzować. Nasi pracownicy skarbowi muszą przeglądnąć każdą sprawę, nadać jej
priorytet i zdecydować, jakie działania przekonają dłużnika do zapłaty. Istnieją pewne reguły
biznesowe, które pomagają przy segmentacji dłużników, ale nadal dużo czasu zajmuje
ustalenie najlepszy sposobów działania, nie mówiąc o faktycznym ściąganiu należności.”
Modernizacja procesu windykacji
Raporty i analizy budżetowe otrzymywane z Krajowego Departamentu Audytu, jednoznacznie wskazywały, że SKAT potrzebuje modernizacji infrastruktury IT w celu usprawnienia
procesu windykacji.
„Zdaliśmy sobie sprawę, że kluczowym problemem jest proces nadawania priorytetu sprawom. Gdyby udało nam się znaleźć sposób na to, by automatycznie identyfikować, którzy
dłużnicy z wysokim prawdopodobieństwem szybko zapłacą swoje wierzytelności, a którzy
wymagają bardziej proaktywnego podejścia, bylibyśmy w stanie dostosować odpowiednio
cały proces”, wyjaśnia Mads Krogh Nielsen.
„W większości przypadków kilka listów, e-maili czy wiadomości SMS prawdopodobnie wystarczy, aby przypomnieć dłużnikowi o zapłacie – te czynności mogą być obsługiwane całkowicie
automatycznie. W trudniejszych przypadkach trzeba takie osoby odwiedzić osobiście czy
nawet użyć obserwacji niejawnej. Środki te wciąż wymagają udziału wykwalifikowanych pracowników. Jednak dopasowując metody działania do poszczególnych przypadków, będziemy
w stanie zwiększyć udział zautomatyzowanych czynności i zmniejszyć nakłady potrzebne
na ściągnięcie wierzytelności.”
Przewidywanie zachowania dłużników
Wyzwaniem było znalezienie sposobu na automatyzację procesu przewidywania zachowania
dłużnika, a następnie przypisanie go do najbardziej optymalnej „ścieżki” działań windykacyjnych. Wtedy pojawił się IBM Business Analytics.
„Zapytaliśmy trzech dostawców oprogramowania o ich rekomendacje i dwóch z nich zasugerowało IBM SPSS Modeler” wyjaśnia Mads Krogh Nielsen.
„Byliśmy pod wrażeniem potencjału samego oprogramowania i jego zdolności do integracji
z naszymi istniejącymi systemami Business Intelligence – SAP BusinessObjects i Sybase. Zdecydowaliśmy się uruchomić projekt i stworzyć własny zespół złożony z sześciu osób, którzy
wspólnie z zewnętrznymi konsultantami wypracują modele statystyczne, które pomogą
nam przewidzieć zachowanie dłużnika.”
2
SKAT
Rozwiązania predykcyjne wspomagają proces ściągania podatków
Budowa modelu predykcyjnego
Zespół projektowy stworzył trzy sub-modele: jeden dla osób fizycznych, jeden dla przedsiębiorców indywidualnych i jeden dla przedsiębiorstw. Pierwszym etapem było zebranie
wszystkich informacji, które mogą być istotne dla przewidywania zachowania dłużnika.
W przypadku modelu dla osób fizycznych było to 2700 zmiennych informacje począwszy
od wielkości rodziny do marki i modelu samochodu jaki posiada. Następnie, zespół próbował
dowiedzieć się, które z tych zmiennych były najbardziej istotne. W kolejnym kroku użyto
analizy jednoczynnikowej, by zmniejszyć liczbę zmiennych z 2700 do 400, a następnie
zastosowano specjalne techniki dostępne w oprogramowaniu SPSS, aby uzyskać dalszą
redukcję z 400 do 150 zmiennych. W końcowym etapie grupa analityków biznesowych
i ekspertów statystycznych wybrała około 70 zmiennych, a zespół projektowy wykorzystał analizy wielowymiarowe do wyboru ostatecznych 15 zmiennych, które zostały użyte
w pierwszej wersji modelu.
Zdobywanie nowych informacji
„Po raz pierwszy mogliśmy podejmować decyzję bazując na wiedzy, które zmienne mogą
wpływać na wybór „ścieżki” windykacji” – mówi Mads Krogh Nielsen.
„Wiele z tego, co udało nam się ustalić potwierdziło to, co już podejrzewaliśmy – na przykład, że ludzie, którzy posiadają duży majątek lub mają kredyty hipoteczne na duże kwoty,
są zwykle dobrymi płatnikami, zaś osoby, którzy mają małe długi są gorszymi płatnikami. Niektóre z naszych ustaleń były jednak dość zaskakujące – na przykład okazało się, że posiadanie
większej liczby samochodów znacznie zmniejsza ryzyko zostania złym dłużnikiem. Dzieje się
tak prawdopodobnie dlatego, że dealerzy prowadzą własną kontrolę zdolności kredytowej
klientów. Dlatego jeśli ktoś jest w stanie kupić kilka samochodów, to prawdopodobnie
ma dobrą historię kredytową. Inna interesująca informacja, jaką uzyskaliśmy, pomogła nam
zrozumieć zachowanie mniej zamożnych dłużników. Jeśli jesteś bogaty, to często oznacza,
że masz ugruntowaną historię kredytową pochodzącą z kredytów hipotecznych, oszczędności i innych wierzytelności, które śledzi nasz system – to daje dużo danych, które możemy
wykorzystać do przewidywania zachowania. Jeśli natomiast wynajmujesz mieszkanie i nie
masz samochodu czy konta bankowego lub karty kredytowej, ilość danych, które możemy
uzyskać jest znacznie mniejsza, a Twoje zachowanie jest dla nas trudniejsze do przewidzenia. Dzięki nowemu rozwiązaniu odkryliśmy, że niezapłacone bilety kolejowe i abonamenty
TV silnie wskazują na złe zachowania płatnicze. To pomaga nam zdecydować, jak poradzić
sobie z takimi sprawami.”
Dokładne prognozy
W obecnej chwili modele nie są jeszcze na stałe wykorzystywane przez SKAT w procesach
windykacji. Niektóre aspekty projektu są nadal w rozwijane. Jednak zespół przetestował
model (który został stworzony na podstawie danych z 2009) na danych w kolejnych latach
i uzyskał wskaźnik predykcji na poziomie 70 procent.
„Jesteśmy bardzo zadowoleni z dokładności modelu – indeks przewidywania na poziomie
70 procent jest porównywalny z wynikami osiąganymi przez większość banków”, mówi
Mads Krogh Nielsen.
„Co więcej, banki mają ten luksus, że mogą odesłać klientów z kwitkiem jeśli ich ryzyko kredytowe jest wysokie, a nasz model musi obsłużyć każdego obywatela i każdą firmę w Danii.
To sprawia, że nasze wyniki są jeszcze bardziej imponujące. Obecnie planujemy uruchomić,
w jednym z regionów, projekt pilotażowy polegający na wprowadzeniu naszego modelu
równolegle z bieżącym procesem ręcznej obsługi, a następnie porównać wyniki. To powinno
pomóc nam zoptymalizować model i uczynić go jeszcze bardziej dokładnym.”
SKAT
Rozwiązania predykcyjne wspomagają proces ściągania podatków
3
Wykorzystanie nowych umiejętności
Na bazie wiedzy i umiejętności zdobytych podczas tworzenia trzech głównych modeli, zespół
SKAT rozpoczął tworzenie modeli predykcyjnych w innych dziedzinach działalności organizacji.
„Pierwszy był model do prognozowania upadłości – wykorzystaliśmy umiejętności, które
nabyliśmy podczas tworzenia głównego modelu windykacji i stworzyliśmy model do predykcji
upadłości. Wiele zmiennych zostało użytych ponownie, ale wiele także dodano. Wynikiem był
model, w którym 92 procent wszystkich firm, które zbankrutowały w 2009 roku, znalazły się
w pierwszych 20% firm, które wskazał model jako najbardziej zagrożone upadłością”, mówi
Mads Krogh Nielsen. „Oznacza to, że w celu identyfikacji 92 procent bankructw, wystarczy
zbadać jedynie pierwszych 20 procent przypadków. To istotna korzyść, gdyż jeśli wiemy,
że firma może być zagrożona upadłością możemy wcześniej wystąpić o zajęcie jej aktywów,
w celu zapewnienia środków na pokrycie wierzytelności.”
Drugi projekt obejmował stworzenie modelu do przewidywania płatników, którzy płacą
podatek VAT z opóźnieniem. Spóźnione płatności są duży problem dla SKAT, ponieważ
oszacowanie wysokość należności dla każdego przedsiębiorstwa to skomplikowany i pracochłonny proces. Nowe rozwiązanie umożliwia SKAT identyfikowanie przedsiębiorstw, które
najprawdopodobniej zapłacą z opóźnieniem i wysyłać im wcześnie przypomnienia.
„Pracujemy obecnie nad trzecim projektem do przewidywania obciążenia dla naszego telefonicznego helpdesku w różnych porach dnia, miesiąca i roku” – komentuje Mads Krogh
Nielsen. „Będzie to wartościowa informacja z punktu widzenia oceny poziomu zatrudnienia
i powinna umożliwić wprowadzenie oszczędności, dzięki stosowaniu efektywnej polityki
zasobów ludzkich.”
Czekając na korzyści finansowe
SKAT nadal pracuje nad wdrażaniem kolejnych aspektów nowego procesu windykacji, choć
modele nie są jeszcze w pełni wykorzystywane. Organizacja jest przekonana, że wykorzystanie
analiz predykcyjnych IBM SPSS przyniesie znaczne korzyści.
„Widzieliśmy podobną inicjatywę w Norwegii, gdzie 96 procent obsługi wszystkich windykacji zostało po pierwszym roku od wdrożenia modelu, a 99 procent w kolejnych latach”,
komentuje Mads Krogh Nielsen. „Jeśli uda nam się osiągnąć podobne wyniki, to będzie
wielki sukces dla naszej organizacji.”
„Nasz projekt jest częścią większej inicjatywy, która obejmie również ważny proces dostosowywania i wprowadzania nowego systemu obsługi wierzycieli. Według szacunków audytu,
zakończenie tej inicjatywy z sukcesem powinno zmniejszyć obciążenie departamentu o równowartości około 134 etatów. Odpowiada to 18-procentowemu zmniejszeniu nakładów pracy
zespołu windykacji, co jest znaczącą oszczędnością.”
Predictive Solutions
ul. Racławicka 58 · 30-017 Kraków
tel. 12 636 96 80 · faks wew. 102
e-mail [[email protected]]
[www.predictivesolutions.pl]