Organisaties die in hun creditmanagementprocessen willen starten met machine learning hebben vaak een lange weg te gaan. Om te beginnen, moet er een toepassing voor het model – het hoofdbestanddeel van machine learning – worden bedacht: welke uitkomst wil je voorspellen? Vervolgens kan het model worden ontwikkeld. Is dit eenmaal zover, dan is daar de volgende uitdaging. Het model moet namelijk ook nog eens onderhouden worden, schaalbaar en compleet veilig zijn. En als kers op de taart moet het ook nog eens blijven leren van zijn eigen beslissingen. Een behoorlijke klus, dus. Maar goed nieuws! Mail to Pay heeft dit werk zo’n vijf jaar geleden al verricht, waardoor er voor jou slechts drie stappen overblijven.
In drie eenvoudige stappen starten met machine learning
Stap 1: bied het model voldoende opties
Om het model optimaal in te zetten, is het goed om voldoende opties beschikbaar te hebben. Deze opties bevinden zich op drie gebieden: kanalen, design en tone of voice. Door het model de beschikking te geven over meerdere kanalen, kan het de beste optie kiezen. De ene klant ontvangt liever een e-mail met betaallink, de andere een brief met QR-code. En waar bij de een sms of pushnotificatie beter uitkomt, krijgt de ander liever een telefoontje van een robot of een callcenter. Ondanks dat het model altijd naar het kanaal zoekt met de hoogste waarschijnlijkheid van betaling, kan de combinatie van verschillende kanalen ook succesvol zijn. Een reminder per sms kan net de trigger zijn voor de klant om de factuur die hij vorige week per e-mail ontving, te voldoen.
Ook per kanaal zijn meerdere opties te bieden. Een herinnering per e-mail kan in verschillende vormen en smaken worden verzonden. Klanten reageren verschillend op een bepaald design. Moet een betaalknop bijvoorbeeld prominent aanwezig zijn, speel je met de kleur van de knoppen of leg je meer de nadruk op het grafisch weergeven van de situatie? Vervolgens is de tone of voice nog een optie om het model mee te voeden. Reageert een bepaalde klant beter op een vriendelijke tone of voice of moet die persoon juist iets strenger aangesproken worden?
Om het model optimaal te laten functioneren, is het raadzaam om ongeveer veertig betaalverzoeken te bieden. Dit betekent zo’n drie herinneringen per e-mail, twee aanmaningen per sms, enzovoorts. Op deze manier benadert het model elke klant op de gewenste manier.
Stap 2: lever het model zoveel mogelijk datavelden
Het machinelearningmodel van Mail to Pay is gevuld met miljoenen betaalervaringen. Deze ervaringen zijn cruciaal om het juiste betaalverzoek per klant te selecteren. De keuze voor dit optimale betaalverzoek wordt gebaseerd op de datavelden die het model aangeleverd krijgt. Lever je alleen de minimale datavelden aan, zoals naw-gegevens en factuurinformatie, dan moet het model op basis van deze datavelden een keuze maken. Dit is vaak al voldoende om het huidige aanmaantraject te verslaan, maar het kan nog beter. Lever je bijvoorbeeld extra datavelden aan, dan is het model in staat om nog gedetailleerder te analyseren. Datavelden als een geboortedatum, de betaalhistorie, aanvullende factuurinformatie of het aantal jaren dat hij klant is, kunnen het model relevante informatie bieden.
Zelfs datavelden die het model nog niet kent, zijn relevant. Bijvoorbeeld een interne scoring of een bepaald segment waarin een klant is ingedeeld. Bij aanvang zal het model deze datavelden niet zwaar meewegen in de beslissing, omdat hij er nog geen resultaten aan kan koppelen. Maar hoe vaker hij deze datavelden ontvangt en kan koppelen aan een bepaald resultaat, des te relevanter de datavelden worden voor het toepassen van microsegmentatie. Uiteraard kan het model ook ontdekken dat deze extra datavelden totaal geen toegevoegde waarde bieden om het juiste betaalverzoek te sturen. Het model baseert zijn beslissingen namelijk op harde data en niet op aannames. Hoe vreemd het misschien ook klinkt, zelfs de schoenmaat van een klant zou voor het model een bepalend dataveld kunnen zijn.
Stap 3: geef het model nieuwe varianten
Nu het model continu aan het werk is en bij iedere klant in een split second het juiste betaalverzoek kan selecteren, is het tijd om het model extra te trainen. Rapportages zullen aantonen dat bepaalde betaalverzoeken erg goed werken en andere minder. De betaalverzoeken die een lager rendement behalen, worden ook minder ingezet. Deze betaalverzoeken kunnen vervolgens vervangen worden door nieuwe varianten. De variatie zit hem dan voornamelijk in kanaal, design en tone of voice. Of dit nu grote of kleine aanpassingen zijn, is minder relevant; het model toetst de nieuwe variant op rendement. En is een nieuwe variant succesvol bij bepaalde klanten, dan zal deze frequent worden ingezet.
Om met het machinelearningmodel van Mail to Pay te starten, is slechts een kleine investering nodig. Deze investering beperkt zich tot het bieden van de juiste opties en de variatie hierop. Daarnaast is het raadzaam om het model veel datavelden te leveren, zodat beslissingen hierop gewogen kunnen worden. In de praktijk kunnen klanten binnen twee weken starten met het model. Het gaat dan met alle liefde de strijd aan met het huidige aanmaantraject. Maar de grote winnaar is vooral de klant. Die krijgt op het gewenste moment het juiste betaalverzoek.