Banque britannique — Utiliser la propension à payer pour cibler l’effort de recouvrement
Comment l’analytics peut améliorer la stratégie de recouvrement lorsque le vrai problème n’est pas le manque d’effort, mais l’endroit où cet effort est dirigé.
Cette page poursuit en profondeur le même cas de transformation. Elle couvre la situation, la logique de transformation, les considérations de mise en œuvre, les enseignements pour praticiens et un cadre réutilisable.
← Lire la transformation en moins d’une minuteCe que le cas enseigne lorsqu’on regarde au-delà du titre.
1. La situation
Les opérations de recouvrement semblent souvent avoir un problème de capacité : trop de comptes, trop peu d’agents, pas assez de temps. Mais augmenter la capacité n’est pas la seule réponse. La question plus profonde est de savoir si la capacité existante est dirigée intelligemment.
2. L’analytics change la file, pas seulement le rapport
Un modèle de propension à payer ne devient utile opérationnellement que lorsqu’il change qui est contacté, quand, via quel parcours de traitement et avec quel niveau d’effort.
3. La segmentation doit être reliée à l’action
Les segments ne sont pas des résultats. Chaque segment a besoin d’une logique de traitement. Les clients à forte propension peuvent nécessiter des stratégies de timing ou de canal différentes de celles des clients moins susceptibles de répondre.
4. Éviter de transformer le modèle en boîte noire
Les responsables opérationnels doivent comprendre suffisamment la logique pour lui faire confiance et la gouverner. Ils doivent aussi surveiller si le modèle continue à discriminer de façon pertinente à mesure que le comportement client évolue.
5. Mesurer à la fois performance du modèle et performance métier
La précision du modèle n’est pas la même chose qu’une amélioration du recouvrement. Le test opérationnel est de savoir si la priorisation améliore les résultats de recovery, la productivité des agents ou le traitement client par rapport à la stratégie précédente.
Ce que les praticiens peuvent réutiliser.
L’analytics doit modifier une décision
Un modèle qui ne change jamais le workflow est un artefact d’insight, pas une transformation.
Les segments ont besoin de traitements
La priorisation devient utile lorsque chaque segment est associé à une action opérationnelle.
La confiance opérationnelle compte
L’adoption par les équipes de première ligne s’améliore lorsque les personnes comprennent comment les sorties du modèle doivent influencer leur travail.
Surveiller la dérive des résultats
Un modèle peut rester techniquement fonctionnel tout en perdant sa pertinence métier dans le temps.
Une manière pratique d’aborder un problème similaire.
- Définir la décision — Spécifier ce que le modèle est censé améliorer : ordre, canal, timing ou traitement.
- Construire le label de résultat — Choisir une définition pertinente du remboursement / de la réponse.
- Créer des segments de propension — Transformer les scores bruts en groupes opérationnellement utiles.
- Concevoir les parcours de traitement — Définir ce que l’opération doit faire différemment pour chaque segment.
- Piloter contre une baseline — Comparer les résultats à l’approche de priorisation existante.
- Surveiller la dérive et la valeur — Suivre à la fois la performance du modèle et les résultats de recouvrement.
Utilisez le cas comme guide de discussion.
- Quelle décision le score de propension changera-t-il ?
- Les agents peuvent-ils expliquer comment traiter les différents segments ?
- Mesurons-nous les résultats de recovery ou seulement la précision du modèle ?
- Que se passe-t-il lorsque le comportement client change ?
- Notre priorisation pourrait-elle involontairement créer un mauvais traitement client ?
Revenez au résumé de transformation en une minute.
← La transformation en moins d’une minute