Blog-Titel
SEKUNDI

SEKUNDI

MESSAGE FROM OUR PARTNER IN PORTUGAL portuguese and english

A capacidade analítica – Modelo de cobranças
As instituições financeiras e algumas empresas estão a começar a sentir uma necessidade de
tornar os processos e operações de cobrança mais eficientes e eficazes, tornando
seclaramente uma prioridade.
Anecessidade de modernizar as operações de cobrança permite aos credores uma
oportunidade para desenvolver novas tecnologias e abordagens que não estariam disponíveis
anteriormente. Os avanços mais importantes nas cobranças estão a ser viabilizados por
“máq
uinas”. Estas poderosas inovações digitais estão a transformar as operações de
cobranças, traduzindo
se num melhor desempenho a um menor custo. O contacto pode ser
gerido através de uma variedade de canais, permitindo aos clientes uma maior sensação de
con
trolo sobre as suas finanças. As previsões e estatísticas também podem ser tornadas mais
precisas e a divulgação da cobrança preventiva tornou
se mais eficaz com ferramentas
financeiras melhoradas e aplicações móveis.
Um dos avanços mais significativos ver
ificado é na segmentação dos clientes, que se está a
tornar muito mais sofisticada e produtiva. Melhor segmentação é a base para uma maior
eficácia nos processos e estratégias de cobrança. Estas melhorias influenciam
exponencialmente tanto na prevenção e g
estão do crédito malparado como na própria
resolução.
Nos processos de cobrança tradicionais, as instituições financeiras dividem os clientes em
algumas categorias de risco simples, com base em graus de incumprimento ou em analíticas
simples e posteriormen
te atribuem equipas de serviço ao cliente em conformidade com a
análise efetuada. Os clientes de baixo risco são normalmente assignados a operadores menos
experientes, sendo que os mesmos seguem guias padronizados sem ser solicitado a avaliação
do comporta
mento do cliente. Operadores com experiência moderada e com algumas
competências adicionais são atribuídos para clientes de risco médio. Estes operadores também
seguem um guião padronizado, mas são treinados para avaliar o comportamento do cliente
com base
na capacidade e vontade de pagar. Os clientes de alto risco são atribuídos aos
operadores mais habilidosos, que possuem as suas contas e utilizam abordagens menos
padronizadas para desenvolver avaliações do comportamento do cliente. Estratégias de
contacto e as ofertas de resolução são bastante variadas em todas as categorias de risco.
Utilizando análises avançadas e aplicando a aprendizagem automática através de algoritmos
capazes de avaliar múltiplas variáveis complexas (por exemplo sócio comportamentais
emesmos emocionais), as instituições financeiras e empresas podem avançar para uma maior
profundidade, maior compreensão pormenorizada dos seus clientes em situação de risco. Em
suma, a segmentação de clientes está no centro do modelo de cobranças da pró
xima geração.
Este modelo de cobranças permitirá aos credores enriquecerem as suas tomadas de decisão
baseados não apenas em classificações estáticas, quer estas sejam fases de incumprimento
standard ou simples pontuações de risco.
Analytical capacity – Collections model
Financial institutions and some companies are starting to feel a need to
make collection processes and operations more efficient and effective, becoming
clearly a priority.
The need to modernize collection operations allows creditors to
opportunity to develop new technologies and approaches that would not be available
previously. The most important advances in collections are being made possible by
“machines”. These powerful digital innovations are transforming
collections, translating into better performance at a lower cost. The contact can be
managed through a variety of channels, allowing customers a greater sense of
control over your finances. Forecasts and statistics can also be made more
accurate and the disclosure of preventive collection became more effective with tools
improved financials and mobile applications.
One of the most significant advances made is in customer segmentation, which is being
become much more sophisticated and productive. Better targeting is the foundation for greater
effectiveness in collection processes and strategies. These improvements influence
exponentially both in the prevention and management of bad debt and in the
resolution.
In traditional collection processes, financial institutions divide customers into
a few simple risk categories, based on degrees of default or analytics
simply and subsequently assign customer service teams in accordance with the
analysis performed. Low-risk customers are normally assigned to operators less
experienced, and they follow standardized guides without being asked to evaluate
of customer behavior. Operators with moderate experience and some
Additional competencies are assigned to medium risk clients. These operators also
follow a standardized script, but are trained to assess customer behavior
based on ability and willingness to pay. High-risk customers are assigned to
more skilled traders who own their accounts and use less
standardized tools to develop customer behavior assessments. Strategies for
contact o and resolution offers are quite varied across all risk categories.
Using advanced analytics and applying machine learning through algorithms
able to assess multiple complex variables (e.g. socio-behavioral and
same emotional), financial institutions and companies can move towards greater
depth, greater detailed understanding of its customers at risk. In
In short, customer segmentation is at the heart of the next generation billing model.
This collection model will allow creditors to enrich their decision-making
based not only on static ratings, whether these are stages of default
standard or simple risk scores.

Share this post

Facebook
Twitter
LinkedIn
XING
WhatsApp
Email