Faktorálás és követelésbehajtás optimalizálás

A projekt célja

Statisztikai és adatbányászati modellekkel támogatni a kisösszegű és fedezet nélküli követelésbehajtás folyamatát. 

Módszertan

Különböző statisztikai módszerek léteznek nem csak a folyamatok, hanem a releváns szereplők értékelésére. A logisztikus regresszió numerikus (arány) és kategória (nominális) változókat használ adott események (fizet/nem fizet) eredményének előrejelzéséhez. A döntési fák a grafikus döntéstámogatás eszközei, amelyek fagráfként ábrázolják a döntési pontokat, folyamatokat, az egyes kimenetelek valószínűségét, az erőforrások költségét és a hasznosságukat. A modell helyes működéséhez elengedhetetlenek a megbízható adatok, például a lakóhelyre vonatkozó adatok a legfontosabb információk egyike.

Eredmények

A modellek eredményei használhatóak a jelenlegi módszertan validálására, vagy teljesen új módszertan bevezetésére.

• A tudásbázis fejlesztése: Megerősítjük vagy megcáfoljuk az adott terület szakértői által feltételezett szabályszerűségeket, kapcsolatokat.
• Jobb megtérülési ráta: A követelésbehajtás megtérülési rátája mérhető, előrejelezhető, tervezhető és optimalizálható. Ennek eredményeképp magasabb profit érhető el.
• Racionális intézkedések és válaszreakciók: döntéstámogató rendszerként funkcionálhat (például megengedhetjük a részletfizetést vagy engedhetünk az ügyfél tartozásából).
• A behajtási folyamat fejlesztése, amely megalapozott tervezéshez és magasabb megtérüléshez vezet.

Érdemes, nem érdemes

Miben vagyunk mi mások?

• Magas fokú szakértelem az adatforrások kezelésében (adatgyűjtés, kezelés, tisztítás és integrálás)
• Az adósról rendelkezésre álló és az adósságkezelésből származó információk többszempontú megközelítése, összevont elemzése
• A belső adatbázisok mellett a piacon található egyéb releváns adatbázisok (például az egyes régiók jövedelmi szintjeit jól leíró mutatók, valamint korábbi bírósági behajtásra vonatkozó statisztikák az adott térségre) felhasználása a modell fejlesztése során