Alrededor del 30% de los nuevos clientes de una empresa orientada al sector residencial suponen un riesgo potencial en cuanto a devolución de facturas. Para prevenir estos posibles comportamientos podremos clasificarlos dentro de dos grupos, por un lado los defraudadores con un importe de factura excesivamente alto y gran volumen de consumo y en segundo los ladolos impagadores,aquellos que no pueden hacer frente a sus facturas y con una alta tasa de morosidad e impago.
Mediante la utilización de modelos de datos de análisis de clientes se pueden diseñar acciones y politicas para identificar estos comportamientos en el menor tiempo posibles y de esta forma ser reportados a las áreas implicadas de gestión de cobro o fraude.
La importancia de tener un perfíl identificado de cliente para este tipo de comportamientos nos permite reducir costes de los recursos empleados, puesto que se actuará directamente sobre los colectivos de mayor riesgo y permitirá reducir las tasas de morosidad mediante la aplicación de politicas de actuación sobre dichos clientes.
El uso de las nuevas tecnologias nos facilita las labores de procesamiento de datos proporcionando el marco perfecto para la obtención de métricas de clientes, esto combinado con métodos probabilisticos nos proporcionan las herramientas perfectas para poder identificar aquellos pérfiles de clientes más peligrosos para nuestros objetivos.
Para poder realizar estas tareas deberemos ser capaces procesar la información de los clientes de forma rápida y eficiente, un conjunto de datos asociados a varios sistemas como los CRM o Facturadores nos proporcionaran un entorno sólido y heterogeneo para la inferencia de nuevos patrones asociados nuevos comportamientos que puedan ser perjudiciales para la organización.
Es aconsejable ver este tipo de procesos de identificación de pérfiles como una acción continua en el tiempo, el riesgo de hoy conel lanzamiento de nuevos productos no es el mismo riesgo de mañana, por lo que se recomienda planificar varias veces al mes la ejecución de estos procesos, para ver su evolución en el tiempo y como responde la base de clientes frente a las acciones y políticas establecidas.
----------------------------------------------------------------------------------------------------------
Arround 30 percent of residential new clients
will become a risk due to payment returns. These clients could be classified on
two particular groups, those that belongs to fraudsters (with expensive invoices
and huge volume of calling records) and those that couldn’t afford their bills
(usually with lower invoices than fraudster and with a good rate of payment
retrieving).
By using client intelligence strategies you
could design an effective policy in order to identify it as soon as possible
and be managed by Fraud or Payment Areas. First of all it is necessary to draw
a profile that reflects their behaviours, these will be an useful start to
gather all information needed from CRM and Billing Systems.
Collect
different information from several Information Systems into a unique data model
could provide us a powerful tool to prevent bad usage of our services and
revenue looses. For this data model we would need a daily resume of each new product order by
clients, which price plan product were ordered, contact details
information, top usage and previous invoice information such as payment
refused. Later we must manage all this information to identify what its fraud ,
payment risk and what its not, by the definition of rules, patterns and
thresholds limit assigned to client profiles.
For
example, a client with different orders in progress into different customer
accounts, different sale dates, several contact address and product orders could be identified as a threat and needed be
reported to block them or cancel their works in progress.
No hay comentarios:
Publicar un comentario