זיהוי לקוחות חורגים בגבייה

איך תופסים לקוח שנסחף לקשיי תשלום לפני שהחוב מזדקן? לא מדוח הגיול: כשיתרה חוצה לעמודת 60 הימים, הסחף התחיל חודשים קודם, ועם מאות או אלפי לקוחות פעילים אף אחד לא קורא מחדש כל כרטיס לקוח מדי שבוע. אפיינו ותכננו מערכת שעושה בדיוק את הקריאה הזו: זיהוי אוטומטי של חריגות תשלומים עם התראות שבועיות, לצד ניטור יומי של ‘מי לא הזמין היום’, עבור סיטונאי תוצרת חקלאית המשרת מעל 1,000 לקוחות, בשילוב עם ה-ERP ומערכות ההזמנות הקיימות של החברה.

איך זה עובד#

הרעיון המרכזי: כל לקוח מושווה לנורמלי של עצמו, לא לכלל אחיד לכל החברה.

קו בסיס לכל לקוח: התנהגות תשלומים היא הרגל. הלקוח הזה משלם שוטף פלוס 30 כמו שעון, ההוא תמיד מותח ל-45 אבל תמיד מגיע. המערכת לומדת את הדפוס של כל לקוח מנתוני ה-ERP שלכם, תנאי תשלום, תאריכי חשבונית, תאריכי תשלום בפועל, ומציפה סטייה מקו הבסיס של אותו לקוח. לקוח שעובר מ-45 הימים הרגילים שלו ל-60 הוא אות, למרות שכלל גורף של ‘התראה ב-60’ היה מחשיב אותו תקין עוד שבועות.

הזמנות כסימן מוקדם: קשיי תשלום מודיעים על עצמם לא פעם קודם כול בזרם ההזמנות, ולכן התכנון מצמיד לניטור הגבייה גם זיהוי יומי של ‘מי לא הזמין היום’. לקוח יומי שנעלם שווה שיחת טלפון היום, בין אם הסיבה היא בעיית שירות, מתחרה או קשיי תשלום מתקרבים.

תקציב התראות, לא מבול התראות: ההתראות מגיעות ב’דחיפה’ (Push), שבועיות בגבייה ויומיות בהזמנות, אל תוך המערכות שבהן אנשי הגבייה והמכירות כבר עובדים. הכמות היא פרמטר מכויל ודיוק ההתראות הוא מדד הצלחה מוצהר, כי רשימה שבועית של עשרה לקוחות עם התנהגות רכש חריגה באמת עדיפה על מאתיים התראות שווא ביום; התראות שווא, לא החמצות, הן מה שהורג אימוץ.

מה כבר עשינו#

• המערכת שהעמוד הזה מתאר, בדרגת אפיון ותכנון: אפיינו ותכננו את מערכת זיהוי החריגות והניטור שלמעלה עבור סיטונאי תוצרת המשרת מעל 1,000 לקוחות, במסגרת מסמך התקשרות חתום; זהו תכנון עבור תפעול אמיתי, והדרגה מוצגת כפי שהיא.
• ניתוח נטישה שסופק בפרויקט הדגל: בשלוש שנות הליווי של יצרן תעשייתי בשוק האמריקאי, ניתוח נטישת לקוחות וניתוח התנהגות לקוחות רצו כתוצרים בפועל, זיהוי דפוסים שהוצלב עם ידע מהשטח, אותה משמעת שניטור גבייה דורש.
• חיזוי התנהגות בקנה מידה גדול, בפיתוח: מסווגי משתמשים ולקוחות בעלי ערך גבוה על מאות אלפי אירועים, עם בקרת דליפות בחלוקת הנתונים ודיווח מלא של precision/recall, אותה קפדנות הערכה שמאחורי כל מודל התראות שלנו.
• מהתעשייה: BlueLinx, מפיץ סיטונאי אמריקאי, צמצם חובות בפיגור ב-30% והגיע ל-91% התאמת תקבולים אוטומטית עם מערכת גבייה מבוססת AI, על פי מקרה לקוח של הספק HighRadius, ומחקר עצמאי של Nucleus Research מצא אצל חברה אחרת צמצום של כ-27% בימי הגבייה (DSO), מ-80 ל-58 ימים, על פי המחקר שפרסם. תובנות גבייה נמדדות בהקטנת גיול החובות, לא בדשבורדים.