Für den Erfolg im Inkasso sind präzise Schuldnerdaten und ein tiefgehendes Verständnis des Schuldnerverhaltens ebenso entscheidend wie ein hoher Grad der Automatisierung. Dies steigert nicht nur die Beitreibungsquote, sondern senkt auch gleichzeitig die Kosten.
Schuldner verstehen
Die Zeiten, in denen alle Schuldner gleich behandelt wurden, sind vorbei! Entdecken Sie, wie Erkenntnisse aus den Verhaltenswissenschaften zum Schlüssel für eine signifikante Steigerung Ihrer Beitreibungsquote werden können. Wir bieten Einblicke, wie führende deutsche Inkassounternehmen diese fortschrittlichen Methoden nutzen, um ihre Effizienz und Erfolgsquoten zu optimieren.
Bessere Daten
Eine effiziente und weitestgehend automatisierte Interaktion basiert auf qualitativ hochwertigen Daten. Die Schuldnerdaten, die Inkassounternehmen erhalten, sind jedoch oft unübersichtlich und fehlerhaft. Während Dienstleister wie Regis24 bei der Anreicherung der Schuldnerdaten helfen, können Inkassounternehmen durch einfache Verbesserungen ihrer Dateninfrastruktur die Datenqualität steigern und gleichzeitig die Kosten erheblich reduzieren.
Automatisierte Kommunikation
Generative KI-Systeme wie ChatGPT demonstrieren die Effektivität von KI in der Kommunikation. Wir zeigen Ihnen, wie solche Systeme in Unternehmen bereits eingesetzt werden, um beispielsweise Call-Center zu entlasten und effizienter zu machen sowie Kundenanfragen zu automatisieren. Dieser Prozess lässt sich in kleinere Schritte aufteilen, um den optimalen Anwendungsgrad für Ihr Unternehmen zu finden.
Zielsetzung
In unserem Webinar erfahren Sie, wie Sie Ihr Inkassomanagement durch den Einsatz der neuesten Erkenntnisse aus Verhaltenswissenschaften, fortschrittlichen Dateninfrastrukturtechnologien sowie generativer KI optimieren können. Diese innovativen Ansätze zielen darauf ab, Ihre Beitreibungsquoten zu erhöhen und gleichzeitig die Kosten zu minimieren. Wir leiten Sie durch die entscheidenden Ansätze, die Sie in Ihrem Unternehmen implementieren können, um sowohl die Leistung als auch die Einnahmen signifikant zu verbessern.
6. Es gibt sehr unterschiedliche Gründe für säumige
Zahlungen
…
Finanzielle
Probleme
Vergesse
n
Unzufriede
n
xxx
7. Offene Forderungen, die den gleichen Grund haben,
weisen ähnliche Merkmale auf
Segmente identifizieren
& frühzeitig vorhersagen
8. Von statistischer Segmentierung zu reichhaltigen
Personas
1. Analyse bestehender Daten
2. Interviews mit internen Experten
3. Pro Gruppe Interviews mit Schuldner
9. Von statistischer Segmentierung zu reichhaltigen
Personas
1. Analyse bestehender Daten
2. Interviews mit internen Experten
3. Pro Gruppe Interviews mit Schuldner
10. Von statistischer Segmentierung zu reichhaltigen
Personas
1. Analyse bestehender Daten
2. Interviews mit internen Experten
3. Pro Gruppe Interviews mit Schuldner
12. Vorhersage mittels psychologische KI
Psychologische KI Algorithmen sind…
▪ …Einfacher: weniger Komplexität, weniger Variablen
▪ …Transparenter: leicht für Nutzer verständlich
▪ …Leistung: höhere Vorhersagegenauigkeit möglich
▪ …Robuster: weniger anfällig für Veränderungen
▪ … reduziert Compliance Risiken und Kosten – EU KI Verordnung
13. Beispiel: Prognose von Bonitätsrisiken
Mittels Psychologischer KI:
▪ Komplexität reduziert von ca. 130 auf 16 Variablen
▪ Gesteigerte Vorhersagegenauigkeit: GINI-Koeffizient ca.
5% höher
▪ Einfache Compliance mit EU-KI Verordnung
16. Daten Chaos verhindert effiziente Prozesse
Daten aus verschiedenen Quellen führen zu erhöhtem Arbeitsaufwand und geringer Effizienz.
Aus diesem Grund wurde Tilores in der Auskunftei Regis24 erfunden.
17. Inkonsistente Daten
Daten aus verschiedenen Systemen sind oft inkosistent, haben Rechtschreib- und Formatierungsfehler,
was einen ganzheitlichen Blick auf den Schuldner erschwert.
18. 360° Blick auf den Kunden
Tilores nutzt Data Science Techniken um einen dynamischen 360° Blick der Kundendaten zu erzeugen,
für jedes Datenvolumen, von allen Datenquellen, in Echtzeit.
•Normalisierung
•Ähnlichkeitsmatching
•Geomatching
•Zeitliches matching
19. Zugriff auf Metriken/Attribute
Für Chatbots
Damit Chatbots einen Mehrwert bieten können, müssen sie auf Echtzeitdaten zugreifen können.
Authentifizierung
des Schuldners
Problem verstehen
Lösung anbieten
Vorgehen
vereinbaren
Forderung begleichen
Daten in Echtzeit für die Authentifizierung
breitstellen
Forderungsrelevante Daten wie Gesamtforderung
etc.
Basierend auf den Daten Angebote errechnen
20. Saubere Daten
Für besseres Machine LEarning
Machine Learning Modelle können nur so gut performen wie die zugrunde liegenden Daten.
ML Modell
22. Vorteile von sauberen, deduplizierten Daten
für den Inkasso Prozess
Tilores wurde für die zentrale, echtzeitfähige und
datenschutzkonforme Kundendatenspeicherung einer Auskunftei entwickelt.
Datennormierung
Die Daten sind vereinheitlicht. Im
Prozess werden die “sauberen”
Daten genutzt. Zeit und Kosten
werden eingespart.
Zugriff auf Metriken
Über moderne APIs wird der Zugriff
auf Echtzeit Metriken wie
Gesamtforderungshöhe ermöglicht.
Entscheidungen können
automatisiert und priorisiert werden.
Verknüpfung von Daten
Die Akten werden automatisch
verknüpft wodurch ein
ganzheitliches Bild des Schuldners
entsteht. Bessere Kommunikation
und schnellere Ergebnisse.
Echtzeitüberwachung
Automatische Alarmierung wenn
neue Forderungen eintreffen,
bezahlt werden oder der Schuldner
sich meldet.
Bereitstellung der Daten
Auf die Daten kann in Echtzeit
zugegriffen werden. Prozesse
können automatisiert und
Kommunikation in Echtzeit
durchgeführt werden.
Kosteneffizienz
Für jeden Schuldner wird nur eine
Anfrage zur Auskunftei geschickt
und nicht wie bisher mehrere.
25. Generative KI im Inkasso
▪ Relevante Mechanismen: KI kann Texte
- kategorisieren
- generieren
▪ GPT - Generative Pre-trained Transformer
- Kann für spezifische Anwendung auf eigene Daten weiter-trainiert werden
- Human Reinforcement Learning: bspw. im Call Center
28. 1. Schuldnerkommunikation kategorisieren: Im Call
Center
Kommunikation
übersehen
Stufe 1
Gruppe
Stufe 2
Thema
Stufe 3
Expertise
Forderung
unbekannt
Frage zu
Gebühren
…
KI Experte Stufe 1 Experte Stufe 2 …
29. 1. Schuldnerkommunikation kategorisieren: Im Call
Center
Kommunikation
übersehen
Stufe 1
Gruppe
Stufe 2
Thema
Stufe 3
Expertise
Forderung
unbekannt
Frage zu
Gebühren
…
KI Experte Stufe 1 Experte Stufe 2 …
30. 2. KI generierte Texte: Im Call Center
▪ Use Case: B2B Software Call Center via Chat
▪ KI macht Vorschläge
▪ Human Reinforcement Learning: Mitarbeiter übernehmen | lehnen ab +
eigene Eingabe
Brynjolfsson, Li, Redmond (2023)
31. KI lernt von besten Mitarbeitern und verbessert
Mitarbeiter mit weniger Erfahrung
Verbesserung
durch
KI
auf
gelöste
Fälle
pro
Stunde
Monate die Mitarbeiter bereits im Call Center
arbeitet
0 1-2 3-4 7-12 12+
32. 3. LLM Chatbot: Durch Call Center wird ein effektiver
Chat Bot trainiert
33. Beispiel: Klarna
Nur einen Monat nach globalen Einführung hat KI-Assistent:
▪ 2/3 aller Kundenanfragen bearbeitet, entspricht 700 Mitarbeitern
▪ Bearbeitungszeit von 11 auf 2 Minuten reduziert
▪ 25%-ige Verringerung wiederholter Anfragen
▪ 24/7 verfügbar, kommuniziert in 35 Sprachen
▪ Geschätzt 40 Million USD Verbesserung des Profits
https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/