A capacidade analítica – Modelo de cobranças

MESSAGE FROM OUR PARTNER IN PORTUGAL (portuguese and english)

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 plicações móveis.

Um dos avanços mais significativos verificado 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 elhorias influenciam exponencialmente tanto na prevenção e gestão 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 omportamento 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 mpresas 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 próxima 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 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.