Adósságbehajtás helyett párbeszéd

A hosszadalmas és kevéssé előrejelezhető behajtás, az ügyfél elvesztése helyett a párbeszédre, a hatékony követeléskezelésre kell fókuszálni.  Ebben nagy segítséget nyújtanak a prediktív adatbányászati, modellépítési és egyéb, az üzleti intelligencia körébe tartozó megoldások – mutat rá az SPSS.

Az eseti vagy rendszeres késedelembe esés és teljes “hitelbedőlés” az egyre kifinomultabb prediktív, modellezési és adatbányászati megoldásoknak köszönhetően még időben, és nagy biztonsággal előrejelezhető, és számos esetben meg is akadályozható. Újra kell értékelni a még stabil gazdasági környezetben, 2008 októbere előtt kifejlesztett jelenlegi behajtási folyamatokat – erre tették le a voksukat az érintett piac szereplői az SPSS Hungary és a Data Research Kft. közös szervezésében megtartott, “Behajtási folyamatok optimalizálása BI megoldásokkal” címet viselő szakmai napon.

A hozzáértők szerint nem pusztán az adósságbehajtásra, hanem a hatékony követeléskezelésre kell fókuszálni. Az ügyféllel kialakított párbeszéd a kulcskérdés a késedelmes vagy elmaradó fizetés témakörben, ahogy a törlesztés előrejelzése és a megelőzés is központi téma. Ebben az SPSS adatbányászati megoldása, a PASW Modeler (korábbi nevén Clementine) nyújthat nagy segítséget.

Az említett megoldásokat informatikai és CRM rendszerébe integráló cég vagy pénzintézet az ügyféladatok, ügyféltörténet folyamatos elemzésével, adatbányászatra alapuló modellezéssel, ügyfélszegmentálással illetve pontozáson alapuló értékelési módszerek segítségével (application scoring, viselkedés scoring és behajtási scoring) képes tökéletesíteni a korai figyelmeztető és monitoring rendszer működését, valamint előrevetíteni az egyes ügyfelek, ügyfélcsoportok fizetési magatartásának változásait. Így még a bekövetkezést megelőző szakaszban lehetősége nyílik az ügyféllel folytatott eredményes párbeszéd kialakítására, a proaktív lépések megtételére, és puha megoldások (átstrukturálás, futamidő hosszabbítás, türelmi időszak kidolgozása, további biztosítékok, fedezetek bevonása, stb.) sikeres kidolgozására.

A “magyar adós” a hitelállomány fedezetéül szolgáló és döntő többségben saját tulajdonában lévő vagyontárgyaihoz, ingatlanjaihoz a végsőkig ragaszkodik, azok elvesztését mindennél súlyosabb csapásként értékeli, így a hitelező intézmény részéről érkező, a fenyegetően nyomasztó állapot kialakulását elhárító proaktív kezdeményezéseket együttműködően fogadja.

Az adatbázis-kezelés, a statisztika és a mesterséges intelligencia kutatások eredményeit egyesítő, a nagy mennyiségű adatok kutatása és elemzése révén rejtett minták és szabályok felfedezését lehetővé tévő PASW Modeler szoftver az adatbányászat, modellezés és scoring-megoldások segítségével számos, a előrejelzést szolgáló kérdés válaszolható meg mint például: milyenek az ügyfél törlesztési szokásai? (törlesztési történet), milyen az ügyfél törlesztési potenciálja? (folyószámlán végzett tranzakciók), egy hiteltörténeti pillanatfelvétel alapján (megtakarítások abszolút értéke és relatív változásai, pótlólagos fedezetek) milyen viselkedésre számíthatunk az ügyfelektől a közeljövőben?, stb.

A jelenlegi instabil feltételek között azonban a leggondosabb intézkedések ellenére is számítani lehet a késedelmes fizetésre, a hitelek bedőlésére, a “biztos” ügyfelek fizetési fegyelmének megingására. Szakmai körökben triviálisnak hangzó tény, hogy a már késedelmes törlesztés státuszába került ügylet esetében a sikeres behajtás esélye és költséghatékonysága az idő múlásával exponenciálisan csökken. Nem elhanyagolható tehát, hogy mennyi időn belül, és milyen hatékonysággal történik meg a késedelmes tartozások behajtása. A résztvevők ebben a tekintetben elsődleges fontosságúként ítélték meg az egyedi és standard kezelést igénylő ügyletek megfelelő szegmentálását, amely döntő fontosságú az eredményességet, az emberi erőforrások és egyéb kapacitások hatékony allokálását, a sikeres kimenetellel kecsegtető ügyletek meghatározását, illetve a költség szempontból vagy abszolút értelemben sikertelenségre ítélt ügyletek elkülönítését tekintve.

A behajtási adatok szegmentációja és scoringja segítségével meghatározható, hogy milyen típusú behajtási folyamat lehet a legeredményesebb az adott ügylet esetében (késedelmesen fizető ügyfelek megismerése, behajtási költségek csökkentése, legolcsóbb és leghatékonyabb elérési csatornák kiválasztása, ügyfél-elégedettség növelése), a különböző modellezési eljárások segítségével azonosíthatóak a magasabb fizetési hajlandóságú csoportok.

A követeléskezelés folyamatait összességében is szükséges monitorozni, mivel így állapítható meg a különböző hierarchiai szintek által kitűzött célok teljesülése. A monitoring rendszer kialakítása a modern adattárházas módszertanok alkalmazásával gyorsan elvégezhető. A követeléskezelés eredményességét és hatékonyságát segítő fenti megoldásokat természetesen nemcsak a klasszikus hitelezés területén alkalmazzák egyre szélesebb körben; a szolgáltató és szolgáltatásaik ellenértékét rendszeresen számlázó cégek gyakorlatában is egyre növekvő arányú fizetési késedelmek sikeres kezelése (halasztási, részletfizetési eljárások kidolgozása) ugyanúgy elengedhetetlenné teszi az adatbányászati, modellező és prediktív szoftvermegoldások integrálását.

Legyen szó akár pénzintézet, akár szolgáltató kintlévőségeinek kezeléséről; az elsődleges cél tehát nem a behajtás, és az ezzel együtt járó ügyféllemorzsolódás, hanem a követelés sikeres kezelése, az ügyfél fizetőképességének megőrzése, vagyis hosszútávon az ügyfélelégedettség növelése és ezen keresztül az ügyfél megtartása a boldog békeidők beköszöntéig.