Scorecard de cobrança com IA: previsão de pagamento
Especialistas em análise de cobrança têm um papel importante na previsão da probabilidade de recuperação e na otimização das estratégias de cobrança. Uma ferramenta útil para isso é o scorecard. Neste artigo, mostramos como criar um scorecard de cobrança completo para prever com precisão a probabilidade de recuperação.
I. Variáveis e tipos de dados
A. Dados de comportamento em cobrança
- Número de ligações feitas nos últimos 1, 2 e 3 períodos
- Número total de ligações feitas
- Número de ligações atendidas nos últimos 1, 2 e 3 períodos
- Número total de ligações atendidas
- Taxa de contato nos últimos 1, 2 e 3 períodos
- Taxa geral de contato por telefone
- Número de dias sem contato nos últimos 1, 2 e 3 períodos
- Total de dias sem contato
- Número de amigos com contato válido
- Número de contatos válidos
- Duração média de cada ligação
- Duração total das ligações
- Número total de retornos de ligação
- Total de mensagens de cobrança enviadas
- Número total de agentes de cobrança envolvidos
- Número total de cartas de cobrança enviadas
B. Informações pessoais do cliente
- Idade
- Gênero
- Profissão
- Escolaridade
- Renda mensal
- Estado civil
- Situação de moradia
Perguntas frequentes
Qual resultado de pagamento e período de previsão o scorecard deve considerar?
Comece por um resultado que a equipe de cobrança consiga acompanhar e usar para agir, como saber se o titular da conta faz um pagamento em até 30 dias após receber a pontuação. Escolha um período compatível com a frequência com que você distribui as contas e analisa os resultados. Defina com antecedência se pagamentos parciais, acordos e promessas cumpridas contam como sucesso. Caso contrário, o scorecard pode classificar as contas com base em um resultado que não corresponde ao objetivo da sua cobrança.
Onde definir o ponto de corte para direcionar mais esforços de cobrança?
Defina o ponto de corte considerando o valor esperado da recuperação, o custo do contato adicional e a capacidade da equipe, não um limite genérico de pontuação. Teste algumas faixas de score em um piloto controlado e compare os valores recuperados e os custos de contato em cada faixa. Uma alta probabilidade de pagamento não significa que a conta sempre precise de mais esforço. Avalie se o contato adicional muda os resultados ou apenas identifica quem pagaria de qualquer forma.
Como testar se o histórico de ligações melhora as previsões de pagamento?
Use uma amostra de teste separada por período: crie o scorecard com contas mais antigas e teste-o com contas posteriores que não foram usadas na criação. Inclua apenas informações de ligações e contatos disponíveis no momento em que cada conta recebe a pontuação. O histórico de contatos pode refletir tanto as decisões de cobrança anteriores quanto a disposição da pessoa para pagar. Por isso, compare o desempenho entre as políticas de contato atuais antes de usar esses dados para direcionar mais esforços.
Quando atualizar o scorecard de cobrança?
Revise o desempenho pelo menos a cada trimestre e antes disso se houver mudanças importantes nos padrões de pagamento, nos produtos ou nas políticas de cobrança. Acompanhe se as taxas de pagamento previstas correspondem às observadas em cada faixa de score e se a classificação ainda diferencia as contas que pagam das que não pagam. Refaça o scorecard apenas se a análise indicar uma piora relevante e valide a nova versão com contas posteriores antes de colocá-la em uso.