Kundevennlig gjeldshåndtering øker forretningsverdien og lojaliteten

Ved hjelp av tilfeldige eksperimenter på en omfattende kundegruppe fikk hallon en bekreftelse på at det lønner seg å behandle kundene sine godt. I dag bruker mobilgiganten maskinlæringsmodeller som forutser kundenes atferd, slik at løsningene kan tilpasses individuelt. Dermed oppnår de to ting: å redusere husholdningenes gjeld og forebygge tap av kunder.

Solomon Seyoum er Credit and Collections Manager i den svenske mobiloperatøren Tre og deres søsterselskap hallon. Han forteller at et av konsernets mål er å bidra til et mer bærekraftig samfunn, blant annet ved å redusere husholdningenes gjeld. For å oppnå dette er de restriktive med å sende ubetalte regninger til inkasso:

– Det er viktig å huske at det er mennesker bak tallene. Noen ganger kan man havne i en livssituasjon som gir midlertidig inntektstap og svekket kjøpekraft, men likevel få en stabil økonomi senere, sier han.

Solomon og kollegene hans har lenge vært overbevist om at en «snillere» gjeldshåndtering lønner seg i form av mer lojale kunder og færre henvendelser til kundeservice.

Men hva er egentlig sammenhengen mellom inkassosaker og økt frafall? Og hvordan vet man hvilken løsning som er best for den enkelte kunden – og når?

Eksperimentverksted for å forutse kundeatferd

For å komme til bunns i disse spørsmålene og tilpasse fakturaflyten optimalt for hver enkelt kunde valgte mobiloperatøren å samarbeide med Billogram.

David Hallvig, VP of Data Science, er ansvarlig for prosjektet hos Billogram. Han har en doktorgrad i maskinlæring, noe som har gitt ham kallenavnet «Doktor Data». Slik forklarer han bakgrunnen for eksperimentverkstedet de to selskapene driver sammen:

– Blant kundene er det alltid noen som ønsker å betale, men som ikke har penger på konto når fakturaen skal betales. Andre har både evne og vilje til å betale, men glemmer det iblant. Og et lite mindretall betaler ikke uansett hvor mange påminnelser de får. Utfordringen er å forutse hvilke kunder som kommer til å betale, og hvilke kunder som ikke kommer til å gjøre det, slik at du kan iverksette tiltak som gir resultater.

David forteller at de først testet ut forskjellige løsninger på noen mindre kundegrupper i hallon. Gradvis utvidet de omfanget til å gjelde alle konsernets kunder.

– Vi utførte tilfeldige eksperimenter der kunder som betalte fakturaen for sent ble delt inn i ulike grupper. Hos en kontrollgruppe sendte vi kravet til inkasso som vanlig. En annen gruppe fikk en vennlig påminnelse om å betale, f.eks. via SMS, mens en tredje gruppe ikke fikk noen varsler i det hele tatt.

“80 % ville ha betalt uansett”

Hvilke resultater har eksperimentet gitt så langt?

– Vi så at ca. 80 % av dem som betalte etter at kravet ble sendt til inkasso, ville ha betalt uansett. Og frafallet var bare halvparten så stort i gruppen som betalte uten å ha fått inkassokrav, som i gruppen som hadde fått det. Konklusjonen blir dermed at inkasso er et mangelfullt verktøy som medfører stor risiko for å miste kunder, sier David.

Solomon Seyoum i Tre og hallon er enig i at individuelt tilpassede kundeløsninger er veien videre, og han legger dessuten vekt på timing:

– Hvis en aktivitet skjer når kundene ikke har penger på konto, minker sjansen for å oppnå resultater. Sender du i stedet faktura og ulike påminnelser på forskjellige tidspunkter, gir du kundene bedre forutsetninger for å betale når de faktisk har penger.

Ved hjelp av maskinlæring skal hallon og Billogram fortsette arbeidet med å tilpasse og optimalisere den automatiske flyten som utløses ved for sen betaling. De store datamengdene som samles inn i testene, brukes til å bygge maskinlæringsmodeller som kan forutse hvilke kunder som kommer til å betale også uten inkasso, slik at disse automatisk får en «mykere» påminnelse.

Færre inkassosaker = mindre frafall

Takket være erfaringene fra eksperimentet har hallon redusert antall inkassosaker med 80 %, noe som er helt i tråd med konsernets mål om å redusere husholdningenes gjeld. En bonuseffekt er at det også har blitt færre henvendelser til kundeservice. Solomon sier det slik:

– I stedet for å betale purregebyrer kan kundene våre bruke mer penger på produkter og tjenester som gir merverdi.

Det handler også om å tilby en god kundeopplevelse uten irritasjonsmomenter:

– Aktivitetene våre skal ikke skape unødig ubehag for kundene. Vi skal bare kontakte dem når det faktisk er nødvendig. En liten henvendelse til feil gruppe kan gi stort utslag på frafallet. Det har vi fått konkrete beviser på, sier Solomon.

Viktig å utfordre vedtatte sannheter

Hvilke råd har Solomon til andre bedrifter som vil begynne å eksperimentere med maskinlæring?

– Hva som vil gi best resultat for nettopp din bedrift, kommer an på hvilken bransje du tilhører, og hvilke kunder du har. Jeg anbefaler at du prøver deg frem til du finner den beste løsningen på det området du vil forbedre. Personlig synes jeg det er veldig nyttig å ha en samarbeidspartner som Billogram. Vi har en åpen dialog og tør å utfordre hverandre.

Billograms «Doktor Data» ser også frem til det videre samarbeidet. Han ønsker å bruke samme eksperimentelle metode på flere bedrifter:

– Å endre fakturaflyten er en omfattende prosess, og det er mange inngrodde forestillinger om betaling. For å lykkes med et slikt prosjekt må beslutningstakerne i bedriften være villige til å utforske nye arbeidsmåter. Det har definitivt Solomon og hallon gjort, noe vi i Billogram setter stor pris på, avslutter han.

Vil du vite mer om hvordan du kan skape forretningsverdi ved hjelp av AI og maskinlæring? Da bør du lese intervjuet med AI-eksperten Errol Koolmeister!