Recouvrement & Intelligence Artificielle

Blitz et ProCashSolutions c’est l’alliance d’un spécialiste de la science de la décision avec l’expertise du Crédit Management. Nous sommes capables de vous accompagner au niveau d’intégration que vous souhaitez.

Recouvrer des créances suppose de prendre des décisions dans un environnement incertain. Sur chaque dossier, des choix d’investissement doivent être faits sans qu’on en connaisse avec certitude le résultat.

Prenons deux exemples :

Les algorithmes d’IA développés par Blitz permettent de choisir dossier à dossier le meilleur compromis coût/performance. Les mêmes algorithmes peuvent être utilisés pour choisir le prestataire le plus adapté à un dossier ou pour faire le choix entre un traitement amiable et un traitement judiciaire.

L’espérance de montant recouvré dépend des caractéristiques du dossier au début du traitement envisagé. De même que l’espérance de prix de vente d’un appartement dépend de ses caractéristiques comme sa surface, son nombre de pièces, sa date de construction ou son étage, l’espérance de montant recouvré dépend de variables qui vont décrire le dossier.

On peut citer par exemple :

• le type de dette,
• le montant dû,
• les caractéristiques du débiteur (âge, civilité…),
• les caractéristiques du quartier dans lequel le débiteur habite. Ces caractéristiques peuvent être déduites de son adresse,
• l’historique des paiements perçus sur le dossier,
• l’historique de opérations déjà réalisées,
• l’historique des contacts.

L’algorithme d’intelligence Artificielle est donc une fonction f qui calcule l’espérance du montant recouvré E(m) à partir des caractéristiques X du dossier. En terme mathématique: E(m) = f(X).

Les performances d’un algorithme d’estimation de l’espérance de montant recouvré peuvent être représentées par une courbe caractéristique.

Prenons un exemple réel. On choisit de traiter en amiable des dossiers en les classant de trois manières différentes :

• Madame soleil : il s’agit d’un classement parfait. Madame Soleil connait à l’avance le montant recouvré et commence par les dossiers dont le montant recouvré est le plus élevé et finit par les dossiers les moins intéressants. Il s’agit donc du meilleur classement possible.
• Data science : on classe les dossiers dans l’ordre décroissant d’espérance de montant recouvré estimée par le modèle d’IA.
• Balance amount : on classe les dossiers dans l’ordre décroissant de montant de dette. Il s’agit d’une méthode rustique de classement mais pas inefficace.

Pour chacun des classements on note :

• en abscisse (x) l’avancement du classement de 0% de dossiers traités à 100% de dossiers traités.
• en ordonnée (y) le potentiel atteint de montant recouvré de 0% du potentiel de montant recouvré à 100% du potentiel de montant recouvré.

Télécharger la version pdf du graphique

Un modèle d’IA est d’autant meilleur que sa courbe s’approche de celle de madame soleil et est supérieur à un simple classement par montant de dette. Dans l’exemple réel ci-contre, on voit qu’en ne traitant que 20% des meilleurs dossiers classés par montant on atteint 49% du potentiel d’encaissement alors qu’avec un modèle de data science on atteint 82% du potentiel.

Les courbes caractéristiques sont utiles mais pas suffisantes pour prendre une décision optimale. Les décisions optimales se prennent en disposant d’une estimation des gains et des coûts.

Dans le tableau ci-contre, on note :

Par exemple, pour le dossier 1, l’algorithme calcule une espérance de montant recouvré en froid de 100 € pour un coût de 10 € soit une valeur ajouté du traitement amiable de 90 €. On estime la valeur ajoutée du traitement chaud à 130 €. La valeur ajouté du traitement chaud est donc 40 € supérieure à la valeur ajoutée du traitement froid. Le choix se porte donc sur le traitement chaud.

Le même raisonnement permet de choisir le traitement froid pour le dossier 2 et le traitement chaud pour le dossier 3. Avec ce type de technique, il devient possible de faire des choix statistiquement optimaux dossier à dossier.

Téléchargez la version pdf du tableau

Les techniques présentées ici sont basées sur l’apprentissage automatique supervisé (supervised machine learning). Ces techniques supposent de disposer d’une base d’apprentissage comme on fait apprendre à une machine à reconnaitre des chiens et des chats en lui présentant des images étiquetées « chien » ou « chat », on fait apprendre à une machine à estimer le montant recouvré en lui présentant les caractéristiques des dossiers associés au montant recouvré.

Disposer d’une telle base d’apprentissage est la condition pour permettre la mise au point d’un système de prise de décision automatique et optimale.

La  taille minimale pour une base d’apprentissage est de quelques milliers de dossiers avec quelques centaines dossiers ayant donné lieu à un paiement. En augmentant la taille de la base d’apprentissage, il est possible d’utiliser plus de variables décrivant les dossiers et donc de gagner en finesse et en précision. Il n’y a pas de taille maximale pour la base d’apprentissage, Blitz étant capable d’apprendre ses modèles sur plusieurs millions de dossiers.

Télécharger la version pdf du dossier complet

Vous renseigner : Jean- Charles 06 09 15 74 31

Conclusion

Les technologies développées par Blitz permettent d’optimiser les coûts des opérations de recouvrement en prenant des décisions automatiques dossier à dossier. En évitant des traitements inutiles, ces techniques permettent d’optimiser les investissements alloués aux opérateurs en choisissant les meilleurs compromis.