Взыскание в банке: точнее канал и время, меньше контактов
В розничном банке 180 операторов работали с 340 тыс. проблемных счетов по порядку просрочки, и контактов было в среднем 4,1 в месяц на клиента, близко к лимитам 230-ФЗ. Мы построили модель вероятности платежа и оптимизатор, который для каждого счёта выбирает канал, время контакта и размер скидки в пределах закона и нагрузки операторов. В A/B-тесте за 8 недель сбор вырос на 7%, а контактов и жалоб стало меньше.
- срок проекта
- 4 месяца
- функциональных модулей
- 6
- этапов разработки
- 5
- ключевых технологий
- 5

02 — Контекст
Задача проекта
Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.
Очередь обзвона строилась по сроку просрочки. Вероятность того, что клиент заплатит, и лучшее время для контакта при этом не учитывались.
Частота контактов дошла до 4,1 в месяц на клиента и приблизилась к лимитам, которые задаёт 230-ФЗ. Жалоб становилось больше. Наращивать число контактов было нельзя ни по закону, ни по отношению к клиентам, а штат из 180 операторов и три канала связи оставались прежними.
Задача: распределить те же ресурсы так, чтобы контакт приходился на тех клиентов и на то время, где он вероятнее приведёт к платежу, и при этом не выходить за лимиты закона и нагрузки на операторов.
Очередь без учёта шансов на платёж
Порядок обзвона задавал только срок просрочки. Вероятность возврата и лучшее время контакта в очереди не учитывались.
Контакты у границы закона
4,1 контакта в месяц на клиента — близко к лимитам 230-ФЗ. Запаса, чтобы звонить больше, не было, а любое увеличение нагрузки грозило нарушением.
Жалоб всё больше
Частые контакты без учёта ситуации клиента раздражают людей, и число жалоб росло. Для банка это и репутационный, и регуляторный риск.
03 — Возможности
Что делает система
Ключевые сценарии и рабочие модули, собранные в единую систему.
Вероятность платежа на 30 дней
Для каждого проблемного счёта модель на градиентном бустинге оценивает, насколько вероятен платёж в ближайшие 30 дней. Эта оценка заменила срок просрочки как главный ориентир очереди: учитывается не только, сколько дней человек не платит, но и насколько вероятно, что он заплатит.
Следующий шаг по каждому счёту
Next-best-action — выбор следующего действия для конкретного клиента: через какой из трёх каналов связаться, в какое время и какую скидку предложить. Решение принимается не по общему сценарию для всех, а по оценке того, что для этого счёта сработает лучше в пределах ограничений.
Расчёт под жёсткие ограничения
Распределение контактов считает MILP — математический метод, который ищет лучший план при жёстких условиях. Здесь это бюджет, нагрузка на операторов и лимиты 230-ФЗ. Ограничения жёсткие: план, который их нарушает, оптимизатор просто не рассматривает.
Лимиты 230-ФЗ внутри расчёта
Лимиты закона на частоту контактов заложены в сам расчёт, а не проверяются после него. Система подбирает канал и время в этих рамках и не повышает давление на клиента. В тесте контактов на клиента стало меньше, чем было.
Без признаков, которые ломают этику
Из модели исключены возраст и район проживания. Решение о том, как и когда связаться с человеком, строится на его платёжном поведении, а не на том, сколько ему лет и где он живёт. Эти данные убраны ещё на этапе отбора признаков, до обучения, поэтому модель их просто не видит.
Интеграция с АБС и телефонией
Решение интегрировано с автоматизированной банковской системой (АБС) и телефонией банка. Модель берёт данные о счетах из АБС, а решения о контакте передаются в телефонию. Меняется то, кому, когда и через какой канал идёт контакт.
04 — Архитектура
Технологический стек
Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.
Зачем в проекте · 01 / 05
Python
На нём собран весь контур: подготовка данных, модель, оптимизатор и интеграции. Для каждой части есть зрелые библиотеки, а единый язык упрощает сопровождение.
05 — Процесс
Как шла разработка
Последовательность работ от исследования задачи до запуска и проверки результата.
Разбор очереди и ограничений
Разобрали, как формируется очередь обзвона, какова частота контактов, где проходят лимиты 230-ФЗ и сколько задач способны принять операторы. Это стало рамкой для всего решения.
Модель вероятности платежа
Обучили модель, которая оценивает вероятность платежа на 30 дней. Возраст и район исключили на этапе отбора признаков.
Оптимизатор следующего шага
Собрали расчёт, который по оценке модели выбирает канал, время и размер скидки для каждого счёта. Бюджет, нагрузка операторов и лимиты закона заданы в нём жёсткими ограничениями.
Интеграция с АБС и телефонией
Подключили решение к банковской системе и телефонии. Разработка вместе с интеграцией заняла 8 недель.
A/B-тест на 8 недель
Две группы по 60 тыс. счетов сформировали случайным образом. Контрольная работала по старой очереди, тестовая по новой. Сравнивали сбор, частоту контактов и жалобы.
06 — Итог
Результаты
Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.
- сбора в A/B-тесте за 8 недель, 90%-интервал от +3% до +11%
- +7%
- контакта в месяц на клиента вместо 4,1, A/B-тест за 8 недель
- 3,3
- жалоб в тестовой группе, A/B-тест за 8 недель
- −12%
В A/B-тесте на двух случайных группах по 60 тыс. счетов за 8 недель тестовая группа дала на 7% больше сбора, чем контрольная. С вероятностью 90% прирост лежит между +3% и +11%. Штат операторов не менялся.
Контактов стало меньше: 3,3 в месяц на клиента вместо 4,1, и запас до лимитов 230-ФЗ вырос. Жалоб в тестовой группе стало меньше. На всю книгу решение пока не раскатано: эффект там, по расчёту, ниже тестового, и это оценка, а не замер.
Оговорки. Восемь недель — короткий горизонт: часть прироста может оказаться сдвигом платежей во времени, а не дополнительным сбором. Эффект сосредоточен в ранней просрочке, до 90 дней; на поздней разница с контролем статистически незначима.
FAQ
Вопросы о проекте
Обсудим похожий проект?
Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки


