De beste voorspellers voor ons Minnelijk Maatwerk Model

Ons Minnelijk Maatwerk Model is gebaseerd op een machine learning algoritme waarmee we zowel de betaalcapaciteit als de verwachte doorlooptijd voor nieuw aangeleverde vorderingen voorspellen. Het algoritme is getraind met de eigen gegevens van de opdrachtgever die we krijgen voor de behandeling van de vorderingen en heeft een hoge voorspelkracht en betrouwbaarheid.  Met de voorspelling van het algoritme wordt de incassocommunicatie aangestuurd naar drie verschillende workflows: hoge, gemiddelde en lage betaalcapaciteit.

DataFactory

Onze DataFactory genereert ruimt driehonderd voorspellers voor onze ontwikkelstudio. De voorspellers zijn gebaseerd op historische en actuele data die we hebben opgebouwd door de behandeling van de vorderingen van de desbetreffende opdrachtgever. Die verrijken we met sociodemografische informatie van het CBS. Per opdrachtgever en voorspelmodel (op verschillende momenten in het incassoproces) selecteren we de voorspellers die de hoogste voorspelkracht en betrouwbaarheid opleveren. Elk model wordt voor ‘live’ gebruik getest in onze datafactory om de voorspelkracht en betrouwbaarheid te toetsen aan de historische resultaten. Op basis van de uitkomsten van de tests selecteren we de datavelden die in combinatie de hoogste voorspelkracht en betrouwbaarheid opleveren.

Voorspellers verschillen per opdrachtgever

Voor elke groep vergelijkbare opdrachtgevers ontwikkelen we maatwerk voorspelmodellen. Omdat we in de praktijk geleerd hebben dat de samenstellingen van de beste datasets van voorspellers voor verschillende soorten vorderingen enorm uiteenlopen. Een ‘standaard’ voorspelmodel om alle vorderingen mee te segmenteren is veel minder betrouwbaar en heeft een lagere voorspelkracht. Dat is logisch, omdat we uit onderzoek weten dat betaalgedrag (ook) verschilt per soort vordering. Dankzij onze DataFactory kunnen we onze voorspelmodellen continu toetsen en gebruikmakend van een referentiestroom in de praktijk, valideren. Door een voorspelmodel in te zetten voor verschillende vergelijkbare opdrachtgevers neemt het aantal waarnemingen voor machine learning toe en kunnen we de voorspelmodellen efficiënter monitoren.