Die Intrum Financial Services GmbH und die Intrum Deutschland GmbH verbinden sich zu einer Servicegesellschaft. 

Lesen Sie hier mehr dazu.

Customer Journey im Forderungsmanagement im Zeitalter von KI und Digitalisierung

Wir bei Intrum sind der Meinung, dass auch Kunden, die ihren Zahlungsverpflichtungen nicht fristgerecht oder vollständig nachgekommen sind, trotzdem wertvolle Kunden sind und entsprechend behandelt werden sollten. Der Leitgedanke von Intrum lautet „Supporting you. All the way.“, denn die Customer Journey Ihrer Kunden wird bei Intrum fortgesetzt und unser Ziel ist eine konsistente und positive Kundenerfahrung.

Zweifellos haben Ihre Kunden unterschiedliche Beweggründe für ihr Verhalten: Einige Kunden haben einfach vergessen eine Rechnung zu bezahlen, andere haben Schwierigkeiten Finanzpläne zu erstellen (zum Teil aufgrund ihres jungen Alters), wiederum andere befinden sich in einer finanziellen Notlage, und es gibt noch weitere Motive für ein nicht-vertragskonformes Zahlungsverhalten.

Intrum verfolgt deshalb den Ansatz, Kundengruppen mit ähnlichen Verhaltensmustern mithilfe von KI (Künstlicher Intelligenz) zu identifizieren. Präferenzen der verschiedenen Gruppen, z. B. hinsichtlich des geeigneten Kommunikationskanals, des Angebots und des Zeitpunkts der Kontaktaufnahme lassen sich dadurch optimieren. Im Ergebnis erfolgt eine Rückzahlung von offenen Forderungen auf eine kosteneffiziente Weise sowie eine positive Customer Experience.

KI und Digitalisierung verändern alle Branchen – auch das Forderungsmanagement

Zwei Schlagworte sind aktuell in aller Munde: Künstliche Intelligenz (KI) und Digitalisierung. Beides wird unseren Alltag massiv verändern. Das Forderungsmanagement bildet dabei keine Ausnahme.

Doch was hat sich bereits schon jetzt verändert und in welche Richtung wird es weiter gehen?

KI wird oft als Teilgebiet der Informatik gesehen, in dem versucht wird, Maschinen bzw. Algorithmen so zu gestalten, dass diese Situationen in der Praxis, welche menschliches Denken erfordern, eigenständig bearbeiten können.

Dieser Ansatz ist nicht neu. Die Informatikerin Elaine Rich hat bereits 1983 in ihrem Buch “Artificial Intelligence” formuliert: "Artificial Intelligence is the study of how to make computers do things at which, at the moment, people are better.” („Künstliche Intelligenz ist die Lehre davon, wie Computer Dinge tun können, in denen Menschen besser sind – wenigstens im Moment noch.")

Man unterscheidet zwischen starker und schwacher KI. Die Berichterstattung der letzten 5 Jahre in den Medien dreht sich fast ausschließlich um letzteres, d.h. eng begrenzten Anwendungen wie z. B. autonomes Fahren, Erkennen von Bildern und Sprache, oder (komplexe) Spiele wie Go oder StarCraft, bei denen Computer gegen Menschen gewinnen.[1]

Bei all diesen Beispielen hat sich gegenüber früher eines verändert: Die Methode. Es geht nicht mehr um ein Suchproblem. Stattdessen orientieren sich moderne KI-Ansätze an den Strukturen des menschlichen Gehirns, wodurch eine Software oder ein Roboter mit Sensoren selbstständig eine Strategie erlernt und diese eigenständig verbessert.

Das Grundprinzip des Lernens ist vergleichbar mit den Entwicklungen von Kleinkindern: In vielen Versuchen wird mittels Trial-and-Error-Verfahren der Fortschritt in „erfolgreich” oder „nicht erfolgreich” kategorisiert und so lernen kleine Kinder beispielsweise das Laufen. Das Lernen resultiert aus positivem Feedback, z. B. durch die Eltern und das Erreichen von Gegenständen oder anders ausgedrückt: Fortschritte werden als Belohnung wahrgenommen und deshalb verstärkt, wohingegen negative Erfahrungen, z. B. Schmerzen beim Hinfallen unerwünscht sind und deshalb zukünftig vermieden werden.

Computer können durch Methoden wie beispielsweise Deep Reinforcement Learning komplexe Probleme ohne (menschliches) Vorwissen lösen! Ein Ergebnis davon ist, dass Computer bei (komplexen) Spielen gegen Menschen gewinnen, deren Regeln sie nicht kennen oder erst (eigenständig) erlernen.

Je nach Anwendungsfall, unterscheidet sich die Eignung von KI-Methoden. Im Gegensatz zu Kleinkindern, welche anhand weniger Beispiele lernen, was einen Hund von einer Katze unterscheidet, benötigen bestimmte KI-Methoden eine Vielzahl an Daten, beispielsweise beim Erkennen von Mustern, in Form von Bildern (von Hunden und Katzen) oder Versuchen beim Erlernen von Spielregeln.

Da einige KI-Methoden eine umfangreiche Datengrundlage erfordern, um diese sinnvoll anwenden zu können, bildet die Digitalisierung eine wesentliche Voraussetzung für deren sinnvolle Anwendung.

So auch im Forderungsmanagement. Denn dort ist im Gegensatz zur Bild- oder Spracherkennung (mit unzähligen Testdatensätzen) eine sehr eingeschränkte Datenbasis vorhanden:

Wie soll KI mittels Name, Adresse(n), forderungs-bezogener Daten und Daten zum (bisherigen) Zahlungsverhalten zur Ergebnisverbesserung beitragen?

Auf den zweiten Blick ergeben sich auch im Forderungsmanagement, durch die zunehmende Digitalisierung, Möglichkeiten die Datenbasis so zu erweitern, dass KI sinnvoll angewendet werden kann. Vor allem die Kommunikation zwischen Kunden und Unternehmen über digitale Kanäle mittels Chatbots, 2-way SMS, E-Mail und Apps ermöglicht die Generierung von „digitalen Touchpoints“ bei denen KI helfen kann, (Verhaltens-)Muster zu erkennen, um so die Customer Journey im Forderungsmanagement und damit das Beitreibungsergebnis zu optimieren.

Customer Journey im Forderungsmanagement - „früher“ versus „heute“

Der Begriff Customer Journey kommt ursprünglich aus dem Marketing und definiert eine Kundenreise. 1898 entwickelte der Werbestratege Elmo Lewis sein theoretisches Modell AIDA: Darin beschreibt er einen allgemeingültigen Ablauf für den Kauf eines Produktes oder einer Dienstleistung anhand von vier Phasen: Aufmerksamkeit, Interesse, Wunsch und Handlung.

Heutzutage wird dieser Entscheidungsprozess keinesfalls mehr als eine Abfolge von denselben Schritten für alle (potentiellen) Kunden gesehen, sondern viel mehr wie eine individuelle Reise.

Jeder Kunde hat unterschiedliche Berührungspunkte (Touchpoints) mit der Marke, dem Produkt oder der Dienstleistung – sowohl online, als auch offline – sowohl direkt, als auch indirekt. Jeder einzelne Kontaktpunkt entscheidet über die finale Entscheidung zum Kauf eines Produktes oder einer Dienstleistung. Zu den direkten Touchpoints zählen Interaktionspunkte zwischen Kunden und Unternehmen wie Briefe, E-Mails, Anrufe, Webseite, usw. Hinzu kommen auch indirekte Kontaktpunkte wie die Meinung anderer, Bewertungsportale à la Google, Trust Pilot, recht 123, Userforen, Blogs, usw. Kunden informieren sich zunehmend stärker und bilden sich ihre Meinung. So viel zur Theorie, wenn es um Unternehmen geht, welche um die Aufmerksamkeit und das Vertrauen der Kunden werben.

Doch wie verhält es sich aus Sicht eines spezialisierten Dienstleisters im Forderungsmanagement? Kann man hier überhaupt von einer Customer Journey sprechen?

Die Kunden haben sich schließlich nie aktiv für Intrum entschieden. Vielmehr haben sie woanders eine Dienstleistung oder ein Produkt gewählt und durch das Zahlungsversäumnis sind deren Daten an Intrum übergeben worden. Zugegebenermaßen unfreiwillig – trotzdem wird ihre ursprünglich eingeschlagene Customer Journey fortgeführt.

Bei der Gestaltung der Customer Journey im Forderungsmanagement gibt es verschiedene Fragestellungen:

  • Kunden, die ihren vertraglichen Zahlungsverpflichtungen nicht nachgekommen sind, haben offenbar die gleiche (schlechte) Bonität. Sind diese dennoch zu segmentieren und individuell anzusprechen?
  • Falls ja, wie lassen sich „Kunden-Typen“ unterschieden und wie sollte der jeweilige Erstkontakt gestaltet werden?
  • Falls auf die erste Aktion keine Reaktion erfolgt, was ist die beste Option für den zweiten Versuch und ggf. weitere zur Kontaktaufnahme?

Bei etwa jeder 11. Person (über 18 Jahre) mündet die bei Unternehmen der kreditgebenden Wirtschaft begonnene „Kundenreise“ aufgrund von Überschuldung oder nachhaltiger Zahlungsstörungen bei Unternehmen, die auf das Forderungsmanagement spezialisiert sind. Im Jahr 2021 lag die durchschnittliche Schuldnerquote in Deutschland bei ca. 8,86%. Allein 20 Millionen offene Forderungen aus der Wirtschaft werden jährlich bearbeitet. Durch Intrum und weitere Dienstleister werden pro Jahr 6 Milliarden Euro in den Wirtschaftskreislauf zurückgeführt.[2]

Die Bonität spielt offensichtlich eine wesentliche Rolle. Doch der Ansatz, Kunden ausschließlich über deren Bonität zu segmentieren, um daraus eine „passende“ Beitreibungsstrategie abzuleiten, gehört der Vergangenheit an und greift zu kurz.

Die Digitalisierung ermöglicht die Berücksichtigung weiterer Daten, beispielsweise über Touchpoints, mit dem Ziel, einen kausalen Zusammenhang zu den Ursachen für das Zahlungs- bzw. Kundenverhalten herstellen zu können.

Gestaltung der Customer Journey im Forderungsmanagement

Der Kunde ist stets in den Mittelpunkt zu stellen, denn jeder einzelne (digitale) Kontaktpunkt beeinflusst die Beitreibungschancen. Ziel ist die Effektivität und Effizienz dieser „(digitalen) Touchpoints“ so zu gestalten, dass eine maximale Kundenzufriedenheit, -bindung so wie die Forderungsbegleichung entstehen. 

Alles nur heiße Luft? Zahlreiche Studien belegen das Gegenteil. In einer Studie von Econsultancy haben 82% der Fachleute einen Anstieg neuer und sich wandelnder Customer Journeys verzeichnet. 86% der Unternehmen erkennen eine höhere Profitabilität und höhere Umsätze. 83% sagen auch, dass das Verständnis für die Customer Journey hilft, sogenannte „Hurting Points“ bei Kunden zu identifizieren und so die gesamte Customer Experience zu verbessern.

Eine Studie von McKinsey zeigt auf, dass die Beherrschung der Customer Journey 10% mehr Umsatz, 20% weniger Kosten und 20% höhere Kundenzufriedenheit bringt.

Nach unseren Erfahrungen lassen sich alleine durch eine Verbesserung des Erstkontakts je nach Branche bereits zwischen 8% und 15% mehr Rückfluss erzielen.

Und welchen Beitrag leistet KI dazu?

KI ist eines von vier zentralen Elementen des modernen Forderungsmanagements

Domänenwissen

Experten im Kreditrisiko- und Forderungsmanagement sowie in Bezug zu regulatorischen und datenschutzrechtlichen Anforderungen.

Kommunikations-Plattform

Flexible technische Basis zur Umsetzung einer kundenindividuellen Omnichannel-Strategie (z. B. E-Mail, Apps, Kundenportal, CC-Agenten, SMS).

Data & Behavioural Scientists

ML-Experten und Verhaltenspsychologen zur kontinuierlichen Optimierung der Customer Journey bzgl. Daten, Methoden und Tools.

KI-basierte Entscheidungs-Logik

Automatisierte Steuerung der „best next action“ auf Basis eines selbst-lernenden Algorithmus (KI) und mithilfe von Experten-Wissen (z. B. in der Kundenansprache via Contact Center).

Mit Hilfe von KI – genauer gesagt maschinellem Lernen – können Beitreibungsprozesse in unterschiedlicher Hinsicht verbessert werden. 

Ein Anwendungsbeispiel ist die Entscheidung über kostenintensive Maßnahmen, mit dem Ziel Kosten bei (wahrscheinlich) erfolglosen Maßnahmen einzusparen.

Auch die Kommunikation mit Kunden kann verbessert werden, indem ein Algorithmus – je nach Methode trainiert wird oder alleine lernt – welche Ansprache über welchen Kommunikationskanal die beste ist.

Die aus unserer Sicht für das Forderungsmanagement geeigneten KI-Methoden lassen sich in zwei  Gruppen unterscheiden: Das sog. überwachte Lernen (Supervised Learning) und das sog. bestärkende Lernen (Reinforcement Learning). Beide Methoden benötigen Daten:

  • aus einer Vielzahl von Intrum internen und externen Datenquellen, beispielsweise (aktuelle) Kontaktdaten, soziodemographische und sozioökonomische Daten,
  • aus der Interaktion und Kommunikation mit dem Kunden, sowie
  • von Intrum´s Klienten, welche über die rein forderungsbezogenen Daten hinausgehen, wie beispielsweise Attribute aus dem Kreditantragsprozess, dem Zahlungsverhalten und der bisherigen Kundeninteraktion.

Daraus wird deutlich, dass die Anforderungen an die technische Vernetzung von (Kommunikations-)Systemen deutlich gestiegen sind. Denn bei der Anwendung von bestimmten KI-Methoden ist (möglichst in Echtzeit) eine Aktion, z. B. eine Kommunikationsmaßnahme, mit einer Kunden-Reaktion in Zusammenhang zu bringen. Wurde eine E-Mail zugestellt? Wurde diese gelesen? Wenn ja, wann? Erfolgte daraufhin eine Kontaktaufnahme seitens des Kunden oder eine Zahlung?  

In der Kunden-Kommunikation findet eine vielversprechende KI-Methode, das Reinforcement Learning, zunehmend an Bedeutung. Sehr vereinfacht funktioniert die Methode wie folgt: 

Die Kommunikation mit Kunden erfolgt zufällig über verschiedene Kanäle und mit unterschiedlichen Varianten in Bezug auf Formulierung, Tonalität, Angebot, usw.. Im Erfolgsfall, also bei einer Rückmeldung des Kunden auf eine spezifische E-Mail oder eine Zahlung nach erfolgter SMS-Aufforderung, erfolgt eine Belohnung: Der Algorithmus bewertet dies mit einem Punktgewinn, ansonsten mit Punktabzug auf einem virtuellen „Punktekonto“. Ziel der Methode ist die Maximierung des Punktestandes bzw. die Vermeidung von Punktabzügen. Reinforcement Learning funktioniert im Negativfall in gewisser Hinsicht wie bei kleinen Kindern, welche einmal auf eine heiße Herdplatte gefasst haben. Die Bestrafung – in Form von Schmerz – wird sie (in der Regel) vom Wiederholen abhalten. Sie haben gelernt, dass man eine heiße Herdplatte besser nicht berühren sollte.

Mit immer mehr Kommunikationsmaßnahmen und daraus resultierenden Erfolgen oder Misserfolgen (bzw. Punktgewinn oder Punktabzug) lernt der Algorithmus die Erfolgsaussichten einer spezifischen Kommunikationsmaßnahme besser einzuschätzen und somit einen Teilaspekt der Customer Journey zu optimieren.

Innovationen dank KI und Digitalisierung – war´s das?

Wir bei Intrum sind der Ansicht, dass KI und Digitalisierung die Effizienz der Prozesse im Forderungsmanagement deutlich verbessern können. Um jedoch die Customer Journey optimal zu gestalten, bedarf es einer weiteren Perspektive: Moderne KI-Methoden helfen zwar bei der Entdeckung von Mustern oder Zusammenhängen, sie erklären jedoch nicht das „Warum“. Im Forderungsmanagement ist das aus unserer Sicht jedoch wesentlich, um eine kundenindividuell „passende“ Customer Journey umsetzen zu können.   

Moderne KI-Methoden helfen zwar bei der Entdeckung von Mustern oder Zusammenhängen, sie erklären jedoch nicht das „Warum“.  

Deshalb haben die Data & Behavioural Scientists bei Intrum eine Typologie von Personen entwickelt, um Parameter wie Kommunikationskanal, Tonalität, Botschaft, Angebot und weitere individuell anpassen zu können. Dieser Ansatz basiert auf unserer Erfahrung in der Anwendung von Erkenntnissen aus der Verhaltensforschung (engl. Behavioural Science) bezüglich der Ansprache spezifischer Kundensegmente, z. B. auf der Grundlage von sozialen Normen, Reziprozität, Gamification usw.

Es gibt mehrere Einflussfaktoren, welche auf (zahlungssäumige) Personen wirken, u. a. zählen dazu:

  • Zahlungs(un)fähigkeit
    Finanzielle Ressourcen, Job, Höhe des Gehalts / Kurzarbeit, finanziell unterstützendes Umfeld, usw.
  • Handlungs(un)fähigkeit
    Äußere Umstände, temporäre und strukturelle Ursachen wie Schicksalsschläge, Krankheit, oder Sucht.
  • Zahlungs(un)willigkeit
    Un-/absichtliche Zahlungsverzögerungen, besondere Motive
  • Persönlichkeit, Bedürfnisse, Motive
    Kooperative Art, „Vorgeschichte“ mit Klienten, irrationales Konsumverhalten zwecks Bedürfnisbefriedigung

Aus diesen Faktoren ergeben sich unterschiedliche Kombinationsmöglichkeiten von Kunden-Typen (Persona). Im Prinzip kann demnach ein und dieselbe Person auch unterschiedlich in ihrem (Zahlungs-)Verhalten variieren.

Unser Ziel ist es, durch eine kundenspezifische Ansprache die bestmögliche Kundenidentität zu adressieren und das Kundenverhalten dadurch zu optimieren, das bedeutet:

  • Zahlungseingänge zu steigern,
  • diese zeitlich schneller zu erzielen
  • und ein positives Kundenerlebnis für die Endkunden unserer Klienten zu erreichen, um Kundenbindung bei bestimmten Kundensegmenten zu stärken (oder wiederherzustellen).

Mit mehr Daten über einen längeren Zeitraum wird das anfänglich angewandte Persona-Modell von Intrum immer besser auf den Kundenstamm unserer Klienten angepasst – was zu höheren Erfolgsquoten und Kundenzufriedenheit führt.

Unser Anspruch ist es, zu verstehen, wer die Kunden sind, die ihren Zahlungsverpflichtungen nicht nachgekommen sind, was Intrum tun kann, um ihnen bei der Zahlung zu helfen, und wie wir am besten auf den Kunden zugehen können. KI und Digitalisierung bzw. höhere Verfügbarkeit von Daten helfen uns bei der schrittweisen Verbesserung der Customer Journey im Forderungsmanagement.

KI und Digitalisierung sind auch im Forderungsmanagement zwei Ansätze zur Verbesserung der Effizienz und Effektivität von Prozessen. Darüber hinaus arbeiten wir intensiv an einem besseren Verständnis der individuelle finanziellen Situation von Kunden der kreditgebenden Wirtschaft, in dem wir Methoden der Data Science und Behavioural Science kombinieren.

Sie haben Fragen? 

Kontaktieren Sie unsere Spezialisten. Intrum hat über 500 spezialisierte Mitarbeiter in Deutschland zur Verfügung. Denn mit 80.000 Klienten weltweit und damit über 250.000 Kundengesprächen täglich wissen wir, worauf es bei der Optimierung der Customer Journey (und speziell der Kundenkommunikation) ankommt.

Autoren 

Dr. Marcus Siegl, Geschäftsführer Intrum Information Services Deutschland GmbH 

Marija Kurtes-Pejchar, Senior Behavioural Scientist Intrum Information Services Deutschland GmbH 

 

Quellen

[1] Für KI-basierte Sprachverarbeitungssoftware, vgl. zum Beispiel den Stand von „GPT3“: https://www.youtube.com/watch?v=PqbB07n_uQ4, und für den bereits in 2016 gegen Google´s AlphaGo verlorenen Wettkampf, siehe https://www.youtube.com/watch?v=WXuK6gekU1Y

[2] Bundesverband Deutscher Inkassounternehmen e.V., https://www.inkasso.de, abgerufen am 9.05.2022