Ocena przyszłej skuteczności windykacji portfela wierzytelności stanowi kluczowy element strategii zarządzania w firmach windykacyjnych. Wyzwanie polegało na stworzeniu modelu, który pozwoliłby na przewidywanie odzysków z posiadanego portfela w oparciu o niezagregowane dane transakcyjne. Standardowe metody analityczne okazały się niewystarczające ze względu na dużą złożoność danych i konieczność uwzględnienia różnych wag spraw i portfeli w procesie modelowania. Konieczne było zastosowanie zaawansowanych metod uczenia maszynowego (deep learning), dostosowanych do specyfiki danych oraz wymagań biznesowych.

Projekt rozpoczęto od określenia zakresu danych do modelowania oraz sposobu ich walidacji. Kluczowym elementem było zdefiniowanie złożonej metody oceny modelu, uwzględniającej wagi spraw i całych portfeli wierzytelności w zależności od ich istotności dla całkowitego wyniku finansowego firmy.
Po analizie dostępnych danych zdecydowano się na zastosowanie metod deep learning, które pozwalają na modelowanie skomplikowanych wzorców występujących w danych transakcyjnych, czyli niezagregowanych. Pierwszy model oparty na sieciach neuronowych został stworzony i przetestowany pod kątem skuteczności predykcji. Następnie przeprowadzono dostrajanie hiperparametrów oraz optymalizację struktury sieci neuronowej w celu poprawy wyników modelu.
Finalnie, przygotowano szczegółowy raport analizujący skuteczność modelu oraz przedstawiający rekomendacje dotyczące dalszego rozwoju systemu predykcyjnego.

Zbudowany przez nas model machine learning został pozytywnie oceniony pod kątem jego potencjału do zwiększenia skuteczności firmy w przewidywaniu przyszłych przepływów pieniężnych z portfeli wierzytelności, służąc jako cenne narzędzie do planowania finansowego. Wykorzystując dane na poziomie transakcji zamiast danych zagregowanych, model wykazał zdolność do dostarczania bardziej precyzyjnych prognoz odzysku, co zmniejszy niepewność prognoz finansowych, jeśli zostaną wdrożone w produkcji.
Zastosowanie technik niestandardowego ważenia podportfeli w procesie walidacji okazało się obiecujące, umożliwiając modelowi dostosowanie się do różnych struktur portfela, zapewniając dokładne prognozy dla różnych rodzajów zadłużenia. Dodatkowo, niestandardowa funkcja strat zoptymalizowała prognozy modelu, aby lepiej dostosować je do priorytetów biznesowych, zwiększając jego przydatność do rzeczywistych zastosowań.
Klient otrzymał kompleksowy raport zawierający szczegółowe informacje na temat wydajności modelu, dzięki czemu uzyskał wgląd w potencjalne przyszłe ulepszenia. Projekt pokazał potencjał sztucznej inteligencji w zakresie wyceny zadłużenia i strategii odzyskiwania należności, ilustrując, w jaki sposób zaawansowane podejście oparte na dużych, atomowych danych może poprawić prognozowanie finansowe.
Po wdrożeniu do produkcji, to rozwiązanie oparte na AI mogłoby udoskonalić planowanie finansowego i zarządzanie portfelem wierzytelności.

Projekt obejmował analizę specyfiki portfeli wierzytelności, określenie kluczowych czynników wpływających na skuteczność windykacji oraz zdefiniowanie złożonej metody walidacji modelu. Po ocenie jakości danych i określeniu zakresu modelowania przystąpiono do budowy pierwszego modelu deep learning, a następnie przeprowadzono dostrajanie hiperparametrów w celu poprawy jego efektywności. Ze względu na specyfikę problemu konieczne było zastosowanie niestandardowej funkcji celu, która uwzględniała priorytety finansowe firmy. W ramach projektu dokonano również modyfikacji bibliotek open source, aby dopasować dostępne narzędzia do specyficznych wymagań analizy portfeli wierzytelności.
Końcowym etapem było przygotowanie raportu podsumowującego skuteczność modelu i wytycznych do dalszego rozwoju.

Model oparty był na sieciach neuronowych typu deep learning, które pozwoliły na analizę skomplikowanych wzorców w danych transakcyjnych. W celu poprawy skuteczności modelu przeprowadzono optymalizację hiperparametrów oraz dostosowano funkcję celu do specyfiki windykacji.