Analítica de datos aplicada a la cobranza de cartera
Fecha
2019
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
In order to improve the portfolio collection work performed daily at Cobroactivo LLC, it was decided to use the data stored in this company to optimize its processes. To do this, it was necessary to implement data analytics models, creating a Big Data environment that would allow efficient access to information through a Data Warehouse, as well as some tools to make an exploratory analysis of the existing data and evaluate the weak pointsthat must be improved when managing users. Warehouse, as well as some tools to make an exploratory analysis of the existing data and evaluate the weak points that must be improved when managing users. Likewise, three Machine Learning models were developed in charge of debugging the debtors, predicting the payment probabilities and optimally recommending which advisor should be assigned to each debtor and which is the appropriate contact channel for him / her. Finally, two web applications were developed. The first allows the monitoring of the company's internal processes by automating repetitive processes and decreasing their execution time from weeks o seconds; the second allows the monitoring of collection work by customers and banks, thereby offering added value.
Descripción
Con el fin de mejorar la labor de cobranza de cartera que se realiza diariamente en Cobroactivo S.A.S., la compañía decidió usar los datos ya almacenados para la optimización de sus procesos. Para ello fue necesaria la implementación de modelos de analítica de datos creando un entorno de Big Data que permitiera acceder de forma eficiente a la información mediante una Data Warehouse, además de algunas herramientas para hacer un análisis exploratorio de los datos existentes y evaluar los puntos débiles que se deben mejorar al momento de hacer la gestión del usuario. Así mismo, se desarrollaron tres modelos de Machine Learning encargados de hacer la segmentación de los deudores, predecir las probabilidades de pago y recomendar de forma óptima cuál es el asesor que se debe asignar a cada deudor y cuál el canal de contacto adecuado para él. Por último, se desarrollaron dos aplicaciones web. La primera permite el monitoreo de los procesos internos de la compañía automatizando aquellos repetitivos y disminuyendo su tiempo de realización de semanas a segundos; la segunda permite el monitoreo de la labor de cobranza por parte de los clientes y los bancos, ofreciendo un valor agregado.
Palabras clave
Big Data, Machine Learning, Análisis exploratorio, Modelos predictivos, Optimización dinámica, Automatización de procesos, Recuperación de cartera, Cobroactivo S.A.S.