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. [1]

Eine Studie von McKinsey zeigt auf, dass die Beherrschung der Customer Journey 10% mehr Umsatz, 20% weniger Kosten und 20% höhere Kundenzufriedenheit bringt.[2]

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

Rückflüsse Durch Verbesserte Customer Journey

Und welchen Beitrag leistet KI dazu?

KI ist eines von vier zentralen Elementen des modernen Forderungsmanagements:

Vier Elemente Des Modernen Forderungsmanagements

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.