عادت قدیمی صنعت بانکی این است که وصول مطالبات را مسئله‌ای پس از تعویق بداند. اما وقتی گزارش‌های اخیر مک‌کینزی، BCG و FICO را کنار هم می‌گذاریم، تصویر دیگری شکل می‌گیرد. نقطه‌ی تصمیم دارد جابه‌جا می‌شود؛ نه به این معنا که فناوری جدیدی اضافه شده، بلکه به این معنا که خود سؤال عوض شده است. با بررسی آینده وصول مطالبات بانکی سؤال دیگر این نیست که «چطور بدهی معوق را وصول کنیم؟» سؤال این است که «چرا اصلاً منتظر معوق‌شدن باشیم؟»

نقطه شروع وصول مطالبات در حال جابه‌جایی است؛ پیش از معوق‌شدن

قاعده‌ی همیشگی این بوده که فرایند وصول از ثبت تأخیر آغاز شود. مک‌کینزی نشان می‌دهد این نقطه‌ی شروع، انتخاب درستی نیست. حساب وارد فهرست مطالبات می‌شود، تماس‌ها شکل می‌گیرند و شدت پیگیری با ادامه تأخیر افزایش پیدا می‌کند. این الگو، واحد وصول را در موقعیتی واکنشی قرار می‌دهد؛ زمانی وارد عمل می‌شود که بخشی از فرصت شناخت وضعیت مشتری و جلوگیری از تشدید مسئله از دست رفته است.

نقطه شروع متفاوتی هم قابل تصور است؛ ایده‌ای که مک‌کینزی از سال ۲۰۱۹ در گزارش دیجیتالی‌شدن وصول مطالبات مطرح کرده است. بر اساس این گزارش، تحلیل داده می‌تواند مشتریان را در مراحل ابتدایی تأخیر یا حتی پیش از ورود به وضعیت معوق شناسایی کند. در این حالت، بانک به‌جای ارجاع همه حساب‌ها به کارشناسان وصول، ابتدا تشخیص می‌دهد کدام مشتری احتمالاً بدون مداخله مستقیم پرداخت خواهد کرد و کدام‌یک به اقدام زودهنگام نیاز دارد. کمپین‌های دیجیتال هدفمند نیز می‌توانند برای گروه نخست کافی باشند؛ در نتیجه ظرفیت انسانی برای پرونده‌هایی حفظ می‌شود که پیچیده‌تر یا پرریسک‌ترند.

این دیدگاه تا گزارش سال ۲۰۲۱ مک‌کینزی هم گسترش پیدا می‌کند. در این گزارش، تحلیل پیشرفته فقط ابزاری برای تشخیص تأخیر نیست؛ بلکه وسیله‌ای برای برآورد زودهنگام ریسک و تعیین ضرورت مداخله است. مؤسسه مالی با اتکا به این تحلیل می‌تواند پیش از تشدید تأخیر تشخیص دهد که آیا مشتری به یک یادآوری ساده، تماس کارشناس یا رسیدگی ویژه نیاز دارد.

در چنین الگویی، نقطه آغاز مدیریت مطالبات دیگر صرفاً تاریخ ثبت تأخیر نیست؛ مجموعه‌ای از نشانه‌های رفتاری است که می‌تواند ضرورت مداخله را پیش از معوق‌شدن حساب آشکار کند. مدیریت مطالبات به این ترتیب از یک فرایند پیگیری پس از وقوع، به بخشی از مدیریت مستمر چرخه اعتباری مشتری نزدیک می‌شود.

یک نسخه برای همه مشتریان کار نمی‌کند

یک تأخیر، یک نوع مشتری نمی‌سازد. اما بیشتر فرایندهای وصول مطالبات بانکی همچنان طوری طراحی شده‌اند که انگار می‌سازد. یک مشتری ممکن است پرداخت را فراموش کرده باشد، دیگری با کاهش موقت نقدینگی روبه‌رو باشد و مشتری دیگری نشانه‌هایی از ناتوانی پایدار در بازپرداخت نشان دهد. استفاده از یک ترتیب ثابت برای همه این مشتریان، تفاوت میان آن‌ها را نادیده می‌گیرد.

برخی بانک‌های پیشرو برای ساخت تصویری جامع‌تر از مشتری، داده‌های حاصل از تعاملات، سوابق حساب و شرایط اقتصادی را با یکدیگر ترکیب می‌کنند. رویه‌ای که مک‌کینزی در گزارش سال ۲۰۲۱ توضیح داده است. مدل‌هایی مانند احتمال پرداخت بدون پیگیری و ارزش در معرض ریسک، به بانک کمک می‌کنند میان مشتریانی که ظاهراً در یک وضعیت قرار دارند تمایز بگذارد. هدف از این تجمیع، افزایش حجم داده نیست؛ هدف آن است که نوع و شدت مداخله با وضعیت هر مشتری تناسب داشته باشد.

مدل‌سازی پیشرفته می‌تواند الگوهای رفتاری متفاوت را شناسایی و منابع وصول را متناسب با احتمال پرداخت و پیچیدگی هر پرونده تخصیص دهد؛ نکته‌ای که فایکو هم بر آن تأکید دارد. در این رویکرد، پرونده‌های عادی می‌توانند از مسیرهای کم‌هزینه‌تر عبور کنند و ظرفیت کارشناسان باتجربه برای مواردی حفظ شود که به بررسی و گفت‌وگوی بیشتری نیاز دارند.

بخش‌بندی رفتاری، مشتریان را فقط بر اساس مبلغ بدهی یا تعداد روزهای تأخیر از یکدیگر جدا نمی‌کند؛ هدف آن تشخیص موقعیت‌های متفاوتی است که به اقدامات متفاوت نیاز دارند. شناخت این تفاوت‌ها، مبنای تصمیم‌گیری درباره نحوه ارتباط با هر گروه می‌شود.

زمان، کانال و اقدام مناسب برای وصول مطالبات هر مشتری

بخش‌بندی مشتریان به‌تنهایی چیزی را عوض نمی‌کند. ارزش آن فقط وقتی آشکار می‌شود که به یک انتخاب مشخص، چه زمانی، از چه کانالی، با چه پیامی منجر شود.

در روش‌های سنتی، مسیر ارتباط معمولاً از قبل تعیین شده است؛ پیامک در یک روز مشخص، تماس تلفنی پس از چند روز و ارجاع پرونده به مراحل بعدی در صورت دریافت‌نکردن پاسخ. در این الگو، ترجیحات ارتباطی و سابقه تعامل مشتری تأثیر محدودی بر توالی اقدامات دارند.

تحلیل داده می‌تواند برای انتخاب کانال، تنظیم شدت تماس و تعیین ترتیب اقدامات به کار گرفته شود. کاربردی که مک‌کینزی در گزارش مدیریت دیجیتال مطالبات شرح داده است. سابقه پاسخ‌گویی مشتری به پیامک، تماس، ایمیل یا کانال‌های دیجیتال در کنار وضعیت حساب و رفتار پرداخت او قرار می‌گیرد تا ارتباط از مسیری آغاز شود که احتمال مشاهده و پاسخ‌گویی در آن بیشتر است. این گزارش می‌گوید آغاز ارتباط از کانال ترجیحی مشتری در نمونه‌های بررسی‌شده توانسته است میزان پرداخت را بیش از ۱۰ درصد افزایش دهد؛ این عدد نتیجه‌ای عمومی و تضمین‌شده برای همه مؤسسات مالی نیست.

فایکو نیز «انتخاب هوشمند کانال» را یکی از نتایج تحلیل پیش‌بینانه می‌داند. زمان ارتباط، شدت پیگیری، محتوای پیام و امکان استفاده از مسیرهای سلف‌سرویس باید با وضعیت مشتری هماهنگ شوند. این راهبرد زمانی مؤثر است که اطلاعات تماس‌ها، پیام‌های دیجیتال و توافق‌های قبلی به نمایی واحد از مشتری تبدیل شوند؛ در غیر این صورت، ممکن است مشتری پیام‌های متناقض دریافت کند یا ناچار شود شرایط خود را چند بار توضیح دهد. ثبت نتیجه هر تعامل نیز به اصلاح تصمیم‌های بعدی و جلوگیری از تکرار اقدامات بی‌نتیجه کمک می‌کند.

سفر مشتری در این نگاه، در مرکز مدل عملیاتی قرار می‌گیرد؛ محوریتی که گزارش BCG درباره راهبرد نسل جدید وصول هم بر آن پافشاری می‌کند. در این مدل، کانال ارتباطی فقط وسیله ارسال پیام نیست؛ بخشی از مسیری است که باید میان منطق ارتباط و نتیجه هر تعامل پیوستگی ایجاد کند. تصمیم‌گیری درباره مسیر کلی مشتری نیز باید در کنترل مؤسسه مالی باقی بماند؛ حتی اگر اجرای برخی کانال‌ها به بیرون سپرده شود.

این رویکرد به معنای حذف تماس انسانی نیست. کانال‌های خودکار و دیجیتال می‌توانند برای یادآوری‌های ساده یا پرونده‌هایی با احتمال بالای پرداخت مناسب باشند؛ در مقابل، پرونده‌های پیچیده، مبهم یا حساس همچنان به گفت‌وگو با کارشناس نیاز دارند.

موفقیت فقط با مبلغ وصول‌شده سنجیده نمی‌شود

مبلغ وصول‌شده راحت‌ترین عدد برای گزارش‌دادن است. همین راحتی، آن را به شاخصی نادرست برای قضاوت درباره‌ی موفقیت تبدیل کرده. ممکن است یک راهبرد در کوتاه‌مدت به وصول بیشتر منجر شود، اما هزینه عملیاتی بالایی داشته باشد، احتمال بازگشت مشتری به وضعیت تأخیر را کاهش ندهد یا رابطه او با مؤسسه مالی را تضعیف کند.

عملکرد این حوزه را نمی‌توان فقط با یک شاخص ارزیابی کرد. استدلالی که فایکو هم به‌طور مشخص روی آن تأکید می‌کند. هزینه کاهش ارزش مطالبات، سوخت‌شدن بدهی، زیان اعتباری خالص و مبلغ وصول‌شده همچنان اهمیت دارند؛ اما شاخص‌هایی مانند حفظ مشتری، ارزش طول عمر مشتری، احتمال تکرار تأخیر و رضایت او نیز باید در ارزیابی وارد شوند. نحوه رفتار مؤسسه مالی با مشتری در دوره فشار مالی می‌تواند بر ادامه رابطه تجاری او با آن مؤسسه اثر بگذارد.

این نگاه، تعارض‌های موجود در آینده وصول مطالبات بانکی را آشکارتر می‌کند. افزایش شدت تماس ممکن است مبلغ وصول‌شده را در یک بازه کوتاه بالا ببرد؛ اما هم‌زمان هزینه عملیات و نارضایتی مشتری را افزایش دهد. گسترش مسیرهای خودکار می‌تواند هزینه را کاهش دهد؛ اما برای مشتریانی که با وضعیت پیچیده‌ای روبه‌رو هستند کافی نباشد. پیشنهاد بازپرداخت نیز ممکن است احتمال تسویه را بیشتر کند؛ اما باید اثر آن بر زیان اعتباری و احتمال تأخیر مجدد سنجیده شود.

فایکو برای مدیریت این تعارض‌ها از «بهینه‌سازی تصمیم» سخن می‌گوید. در این روش، یک هدف بدون توجه به اهداف دیگر به حداکثر نمی‌رسد؛ اثر هر تصمیم بر مجموعه‌ای از شاخص‌ها بررسی می‌شود. برای مثال، سازمان می‌تواند افزایش مبلغ وصول‌شده را دنبال کند و هم‌زمان محدودیت‌هایی برای هزینه عملیاتی، میزان تماس، احتمال بازگشت به تأخیر و الزامات رفتاری در نظر بگیرد.

مک‌کینزی نیز در گزارش سال ۲۰۲۴ خود چهار اولویت را برای مدیریت مطالبات و کمک به مشتریان اعتباری مطرح می‌کند: ایجاد تجربه مناسب برای مشتری، مدیریت ارزش در معرض ریسک، کاهش هزینه بدون تضعیف اثربخشی و رعایت الزامات نظارتی و مسئولیت مؤسسه در قبال مشتری. این گزارش نشان می‌دهد که مدیریت مطالبات باید میان منافع مالی مؤسسه و شرایط مشتری تعادل برقرار کند؛ نه اینکه فقط بر کاهش تعداد پرونده‌های معوق متمرکز بماند.

هوش مصنوعی بر فراز داده و قواعد تصمیم‌گیری

تصور رایج این است که هوش مصنوعی می‌تواند جای تحلیل داده و قواعد تصمیم‌گیری را بگیرد. گزارش‌های اخیر همین تصور را رد می‌کنند. در گزارش بانکداری خرد ۲۰۲۵ گروه مشاوره بوستون، تحلیل پیش‌بینانه برای مدیریت تأخیر و طراحی برنامه‌های بازپرداخت شخصی‌سازی‌شده، یکی از جریان‌های کاری مهم هوش مصنوعی در بانکداری معرفی شده است. در این کاربرد، مدل تحلیلی باید احتمال تأخیر، واکنش مشتری به اقدامات مختلف و نتیجه احتمالی هر برنامه بازپرداخت را برآورد کند. نقش هوش مصنوعی در نتیجه فقط تشخیص مشتری پرریسک نیست؛ به انتخاب اقدام متناسب نیز گسترش پیدا می‌کند.

مک‌کینزی در گزارش سال ۲۰۲۴، کاربردهای هوش مولد را در سه سطح اصلی بررسی می‌کند. در سطح نخست، این فناوری می‌تواند داده‌های بدون ساختار مانند متن مکالمات و یادداشت‌های کارشناسان را تحلیل کند و الگوهای مؤثر یا مشکلات تکرارشونده را نشان دهد. در سطح دوم، می‌تواند هنگام گفت‌وگوی کارشناس با مشتری نقش دستیار را داشته باشد؛ اطلاعات مرتبط را بازیابی کند، پاسخ پیشنهادی ارائه دهد و بخشی از مستندسازی پس از تماس را انجام دهد. در سطح پیشرفته‌تر، عامل‌های مجازی می‌توانند برخی تعاملات مشخص و کنترل‌شده را به‌صورت خودکار مدیریت کنند و موارد پیچیده را به کارشناس انسانی ارجاع دهند.

این سه سطح، الزامات و ریسک‌های یکسانی ندارند. تحلیل داخلی مکالمات یا تهیه خلاصه برای کارشناس، با یک عامل مجازی که مستقیماً با مشتری گفت‌وگو و پیشنهاد بازپرداخت ارائه می‌کند قابل مقایسه نیست. مک‌کینزی تصریح می‌کند که کاربردهای مشتری‌محور به کنترل‌های قوی‌تر، امنیت بیشتر و سازوکارهای روشن برای مداخله انسانی نیاز دارند. این گزارش همچنین پیشنهاد می‌کند مؤسسات مالی ابتدا از کاربردهای داخلی، محدود و قابل‌کنترل آغاز کنند و پس از ارزیابی نتیجه، به‌تدریج دامنه استفاده را توسعه دهند.

در کنار هوش مولد، مدل‌های پیش‌بینانه و روش‌های بهینه‌سازی همچنان نقش بنیادی دارند. فایکو در چارچوب سال ۲۰۲۶ خود، مسیر تحلیل مطالبات را از شناخت گذشته و کشف علت، به پیش‌بینی رفتار و سپس پیشنهاد اقدام بهینه می‌رساند. هوش مولد می‌تواند مکالمه را خلاصه یا پاسخ پیشنهادی تولید کند؛ اما تصمیم درباره نوع اقدام باید بر ارزیابی ریسک، محدودیت‌های عملیاتی، سوابق مشتری و قواعد مؤسسه استوار باشد.

گزارش BCG درباره راهبرد نسل جدید وصول نیز مالکیت لایه داده و تحلیل را برای مؤسسات مالی حیاتی می‌داند. نتایج تماس‌ها، پرداخت‌ها و توافق‌ها باید دوباره به مدل‌ها بازگردند و برای اصلاح تصمیم‌های آینده استفاده شوند. اگر داده تعاملات پراکنده باشد یا مؤسسه به منطق تصمیم‌گیری دسترسی نداشته باشد، امکان یادگیری مستمر و ارزیابی عملکرد محدود می‌شود.

هوش مصنوعی بر فراز داده‌های یکپارچه، تاریخچه قابل‌اعتماد تعاملات و قواعد تصمیم‌گیری قرار می‌گیرد؛ جای خالی آن‌ها را پر نمی‌کند.

سخن پایانی

تصور رایج این است که تحول در آینده وصول مطالبات بانکی با افزودن یک کانال دیجیتال یا به‌کارگیری یک مدل هوش مصنوعی اتفاق می‌افتد. مرور گزارش‌های مک‌کینزی، BCG و FICO این تصور را رد می‌کند.

آنچه واقعاً تغییر کرده، نقطه‌ی تصمیم است؛ نه ابزار. از واکنش پس از تأخیر به تشخیص پیش از آن. از پیگیری یکسان برای همه به اقدام متناسب با هر مشتری. از سنجش صرف مبلغ وصول‌شده به ارزیابی هم‌زمان ریسک، هزینه و رابطه.

فناوری در این میان جای منطق تصمیم‌گیری را نمی‌گیرد؛ آن را دقیق‌تر می‌کند. مزیت رقابتی مؤسسه‌ی مالی هم دیگر در تماس بیشتر نیست؛ در تشخیص زودتر و انتخاب درست‌تر است.