| | Forderungsmanagement

Forderungsmanagement: Wie Machine Learning für mehr Effizienz bei der Posteingangsbearbeitung sorgt

Die Digitalisierung von Prozessen ist häufig Ausgangspunkt für die Nachbildung von menschlichen Entscheidungen und deren Automatisierung mit Machine Learning Verfahren. Auch Mahnprozesse lassen sich so automatisieren, optimieren und individualisieren.

Neben den klassischen Entscheidungslogiken zur Bestimmung der nächsten Maßnahme gibt es im Forderungsmanagement zahlreiche weitere spannende Anwendungsfelder, so unter anderem die Automatisierung der komplexen schriftlichen Kommunikation mit Endkunden und Dritten. Dazu ist eine gezielte Erkennung der Anliegen bei Posteingang und die adäquate Ableitung der nächsten Schritte erforderlich. Die Übernahme dieser Einschätzung durch eine künstliche Intelligenz erlaubt die direkte Initiierung von Schritten bzw. die kontextabhängige Zusteuerung zu passenden Sachbearbeitern. So kann dank der Kombination aus Machine Learning und menschlicher Erfahrung schnellstmöglich und kompetent geantwortet werden.

Entscheidungsumfang der künstlichen Intelligenz

Ist die Entscheidung für die Abbildung manueller Prozesse im Forderungsmanagement durch eine künstliche Intelligenz gefallen, sind zwei wichtige Themen zu klären: Erstens die Menge, Ausprägung und Qualität der Datenbasis, die zur Modellierung herangezogen werden kann. Zweitens die Frage des Sollprozesses: Ist die maschinelle Entscheidung ein einzelner Punkt im Prozess, der jeden möglichen Sonderfall erkennen und einschätzen soll, um die nächste Aktion einzuleiten? Oder beschränkt man die Entscheidungsbefugnis der Maschine auf die am häufigsten vorkommenden Möglichkeiten?

Die Antwort auf diese Frage nach dem optimalen Automatisierungsgrad orientiert sich hauptsächlich an Umfang und Verlässlichkeit der vorhandenen Daten, die für das Training der Modelle zur Verfügung stehen. Falls an den Prozessen im Zuge der Digitalisierung nur wenig verändert wird und die historischen Daten die zukünftigen Entscheidungen ausreichend exakt abbilden, so spricht nichts gegen eine direkte Modellierung aller möglichen Fälle. Dies vereinfacht die systemseitige Implementierung durch wenige Module und Schnittstellen enorm.

Werden jedoch zukünftig zu treffende Entscheidungen abweichend definiert oder ist die Datenqualität schwach oder schwankend, sollte die KI zunächst nur handhabbare Basisentscheidungen treffen. Komplizierte Sachverhalte sollten weiter manuell bearbeitet werden.

Stufenweise Modellanwendung als Mittelweg

Im Beispiel der Posteingangsklassifikation durch Machine Learning mit mehreren Hundert zu erkennenden Anliegen zum Thema Forderungsmanagement wählten wir bei Arvato Financial Solutions auf Basis unserer langjährigen Expertise einen Mittelweg, um den Automatisierungsgrad trotz etwas veränderter Abläufe und vieler selten auftretender Fälle möglichst hoch zu halten.

Die Implementierung der Erkennungslogik nach dem Scanvorgang umfasst drei aufeinanderfolgende Schritte:

1. Modell – Lesbarkeit:

Hat ein schriftlich eingehendes Dokument wegen schwachen Toners oder handschriftlicher Notizen ein schlechtes Digitalisierungsergebnis, sieht der Automatisierungsprozess zunächst konkrete Ausstiegspunkte in eine manuelle Bearbeitung vor. Hierfür wurde mit statistischen Methoden ein anwendungsorientierter Lesbarkeitsindex entwickelt. Nur ein ausreichend lesbares Dokument erreicht den nächsten Schritt bzw. das nächste Modell.

2. Modell – Erkennung häufiger Anliegen (z.B. Fragen zur Forderung, Ratenvereinbarungen, Reklamationen):

Das darauffolgende Grundmodell basiert im Wesentlichen auf einem dreistufigen neuronalen Netz. Jenes prognostiziert zunächst nur das Vorkommen von häufig auftretenden Anliegen der Debitoren. Die vielen hundert seltenen Anliegen werden hier in Sammelausprägungen zusammengefasst, denn sie sind insbesondere im Textmining-Kontext eine statistische Herausforderung: viele dieser Briefe haben lange Texte, wenige klare Signalworte und die Trainingsmenge aus der Vergangenheit ist oft extrem klein.

3. Modell – Erkennung seltener Anliegen (z.B. Nachlassregelungen):

Wird in Schritt 2 ein seltenes Anliegen prognostiziert, so werden daraufhin entsprechende Spezialmodelle zur genaueren Identifikation angestoßen.
Auch wenn diese kaskadierende Implementierung durch Verzweigungen und die Integration mehrerer Modelle auf den ersten Blick kompliziert scheint, überwiegen die Vorteile: Eine separate Steuerung erlaubt eine getrennte Messung der Erkennungsgüte der einzelnen Modelle. Dies vereinfacht für das Team aus Prozessmanager, Fachexperte und Data Scientist die Nachjustierung von Schwellen und die unabhängige Verbesserung von einzelnen Themenbereichen.

Welchen Herausforderungen sehen Sie sich beim Einsatz von KI und Advanced Analytics im Forderungsmanagement gegenüber? Über eine E-Mail mit Ihren Kommentaren freue ich mich sehr.

Ähnliche Beiträge