Как «Лайм-Займ» внедрил новый ML-инструмент — коллекторский скоринг

Коллекторский робот — это один из цифровых продуктов МФК «Лайм-Займ», созданием которого занимается R&D-команда. На сегодняшний день функционал робота представлен коллекторским скорингом — интеллектуальным инструментом, способным автоматизировать и оптимизировать работу в области долгового взыскания. Product Owner Валерий Гораш рассказал, как родилась идея этого проекта и как именно работает система коллекторского скоринга.

— Зачем взыскателям ML-инструменты? Какие задачи они будут решать?

Вообще деятельность взыскателей относится к одному из самых несправедливо оцененных. Частично в этом виноваты сами коллекторы, частично — клиентские страхи. Но, если внимательно присмотреться к collection, то станет очевидно, что это специальный вид отдела продаж, задача которого — «продать клиенту идею, что долг нужно погашать».

Несмотря на жесткое регулирование, в этой сфере точно так же прекрасно работают все виды сегментаций клиентского потока, отдельные скрипты под разные кейсы, постоянно идет процесс сбора и анализа монструозного объема «живых разговоров», чтобы максимально быстро и оперативно подстраивать процессы под текущее состояние. Поскольку работа коллекторов динамична и постоянно подвержена изменениям, для сохранения эффективности необходимо перестраивать рабочие процессы, пополнять базы знаний. Одним словом — постоянно расти и развиваться, оптимизировать нарастающий пул задач. В этом в том числе могут помочь инструменты на основе машинного обучения (machine learning, ML).

— Для работы инструментов с применением ML нужны довольно большие объемы данных. Откуда их брать? Можно ли собрать их собственными силами?

Руководители в направлении Collection в МФК «Лайм-Займ» — не только ярые фанаты своего дела, но еще и прекрасные администраторы. Они творчески подошли к процессу: в течение короткого времени было создано и проверено на практике максимально допустимое количество сценариев взаимодействия и переход клиентов между ними. Получившиеся в результате этого опыта датасеты высокого качества и были переданы команде in house разработки, и на них началось построение нового коллекторского скоринга.

— Как разработчики поняли, какие именно модели в коллекторском скоринге будут работать, причем эффективно?

На входе R&D-команда имела две вводных: пул клиентов, являющихся кандидатами на обзвон и обладающих как общими, так и специфическими признаками, а также пул операторов со своим скиллами, уровнем эмпатии, тембрами голоса и склонностями к каким-то конкретным скриптам, которые могут осуществлять обзвон.

Чтобы создать работающий инструмент, необходимо было определиться, какие задачи он будет решать. Команда выделила несколько важных моментов, которые необходимо учесть при создании готового решения:

1. выделить клиентов, которым можно не звонить, поскольку с высокой долей вероятности они выйдут из просрочки сами на очень коротком горизонте;
2. найти способ оптимально распределить между коллекторами имеющийся пул клиентов для обзвона; 
3. научиться выделять клиентов, которые с точки зрения стратегий «Лайм-Займ» в сфере collection считаются «невзыскиваемыми» и должны быть выведены за периметр;
4. научиться прогнозировать вероятность ухода клиента в просрочку на горизонте 30-60 дней, что поможет оценивать нагрузку, текущую эффективность и уровень ресурсозатрат.

— Как работает новый ML-инструмент в «Лайм-Займ»?

Созданная и внедренная скоринговая модель на методах машинного обучения позволяет предсказывать вероятность возврата хотя бы части долга клиентом в течение 8-39 дня просрочки. 

Алгоритм выглядит следующим образом: каждому клиенту, находящемуся в просрочке, сервис присваивает скорбалл, который вычисляется на основе обширного набора данных. Это информация о кредитной истории клиента, данные из внешних источников, а также внутренние данные о платежах клиента в рамках группы компаний. На основе этого скорбалла система распределяет клиентов между коллекторами так, чтобы, с одной стороны, нагрузка была равномерной, с другой — получилось наилучшее сочетание «коллектор — клиент», в котором учитываются индивидуальные особенности каждой стороны. Для этого сервис в том числе учитывает собственный портфель долгов для обработки каждого взыскателя, в котором есть клиенты разной степени «сложности» (зависит в т.ч. от времени просрочки и общей суммы долга). В совокупности это распределение обеспечивает максимальную эффективность взыскания без перегрузки сотрудников.

— Есть ли у команды планы по дальнейшему усовершенствованию коллекторского скоринга? Если да, то что планируется сделать?

Сейчас в активной проработке R&D-команды вопрос о том, нужно ли клиенту «второе касание» с коллектором, если да — то как его оптимизировать. Большую ставку эксперты делают на комбинированное использование речевой аналитики и стабильности звуковых дорожек. Планируется сделать потоковую обработку данных через кастомизированные GPT-модели. Такая конфигурация позволит максимально избавится от человеческого фактора в оценке необходимости следующего шага.