صنعت وصول مطالبات: رهیافت یادگیری ماشین
علاقه کسب و کارها به چگونگی استفاده از کلان داده، هوش مصنوعی، یادگیری ماشین و تحلیل تجربی به منظور افزایش درآمد، کاهش هزینه و بهبود فرآیندهای کسب و کار به طور چشمگیری رشد کرده است. در این مقاله، چارچوبی جهت زمانبندی داده-محور تماس های تلفنی کارشناسان وصول مطالبات با بدهکاران، ارایه خواهد شد. این تماس های تلفنی به منظور متقاعد کردن بدهکاران جهت تسویه بدهی و یا مذاکره روی یک برنامه مشخص برای پرداخت اقساطی بدهی، صورت می گیرد. با توجه به این که هر کارشناس در طول یک روز کاری می تواند تعداد محدودی تماس تلفنی بگیرد، در طرح پیشنهادی مشخص خواهد شد که در هر روز باید با کدام بدهکاران تماس گرفته تا میزان وصول در درازمدت افزایش قابل ملاحظه ای یابد. در این مقاله رهیافت حل مساله، فرمول بندی فرآیند تصمیم گیری مارکوف می باشد. از آن جایی که حل دقیق این معادله غیرممکن است، یک تابع مقدار براساس داده های پیشین، با استفاده از پیشرفته ترین تکنیک های یادگیری ماشین تقریب زده می شود. به طور مشخص، احتمال پرداخت بدهی توسط بدهکار در یک حالت خاص پیش بینی شده و به عنوان یک نماینده (پروکسی) برای تابع مقدار استفاده خواهد شد. بر اساس این تقریب از تابع مقدار، مقدار مرزی گرفتن تماس به ازای هر بدهکار مشخص می گردد، که این مساله منجر به یک روند بهینه سازی به طور خاص سرراست خواهد شد. یعنی بدهکاران بر اساس بالاترین مقدار مرزی به ازای هر تماس تلفنی، اولویت بندی می شوند. ما معتقدیم که این سیاست بهینه سازی شده به طور قابل ملاحظه ای از سیاست زمان بندی موجود که برای سال ها در این کسب و کار مورد استفاده قرار گرفته است، بهتر می باشد. مهم تر اینکه، سیاست پیشنهادی با استفاده از منابع بسیار کمتری منجر به وصول بدهی بیشتر در زمان کوتاه تر خواهد شد و در نتیجه شاخص میزان وصول به ازای تماس تلفنی را افزایش خواهد داد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.