Machine learning: Sådan øger interne data nøjagtigheden, når Arvato træffer beslutninger

For Arvato er målet altid at arbejde så effektivt som muligt med en høj grad af automatisering og digitalisering og træffe flere beslutninger baseret på interne historiske data. Ud fra dette kan man anvende forskellige metoder til at opstille forskellige modeller, såsom Machine Learning. Machine learning er en metode, der handler om at bruge algoritmer eller modeller til at identificere datamønstre, dvs. mønstre, der hjælper os med at træffe de rigtige beslutninger. Vi har haft mulighed for at udvikle og teste de fleste modeller med gode resultater, hvilket har bidraget til en langt højere grad af automatisering.

Hvorfor er machine learning så vigtigt for vores virksomhed?

I Danmark og Norden for øvrigt er inkassoprocessen meget afhængig af de juridiske rammer for inkasso. Det er utrolig vigtigt, at et inkassofirma sender de rigtige sager videre til f.eks. fogeden, da de er forbundet med en vis omkostning.

Vores mål er at sende de rigtige sager videre for både vores erhvervskunder og debitorers skyld. Takket være Machine learning behøver vores sagsbehandlere ikke foretage en manuel vurdering af hver enkelt sag.

Machine learning handler altså om at anvende interne data. Hvordan det?

Vores interne data er noget af en guldgrube! Ved hjælp af den kan vi optimere de beslutninger, vi træffer, så vi løbende kan vurdere, måle og se, hvilke forbedrede resultater vores beslutninger giver. Vi har nogle utrolig dygtige medarbejdere, som tidligere har truffet gode beslutninger baseret på deres erfaring, men i længden er de umulige at vurdere og følge. Derfor er det utrolig vigtigt at anvende en statistisk model, så vi hele tiden kan forbedre og optimere vores beslutninger på en kontrolleret måde.

Hvordan ser det i det store hele ud i inkassobranchen med hensyn til machine learning?

Mange af vores konkurrenter arbejder med statistiske modeller i deres beslutninger, men jeg tror, at vores metode med hensyn til brug af machine learning i det daglige arbejde er ret unik. En af fordelene ved machine learning er, at modellen lærer af de beslutninger, den træffer, og på den måde optimeres vores måde at arbejde på løbende.

Hvilket yderligere potentiale ser du for machine learning i fremtiden?

Jeg tror helt klart, at det er fremtiden for mange beslutninger, vi træffer i vores daglige arbejde. Ved at bruge vores interne data til at træffe så optimerede beslutninger som muligt og til at følge dem på en kontrolleret måde kan vi bruge tid på hele tiden at forbedre den måde, vi arbejder og træffer beslutninger på. Hvis vi hele tiden stræber efter at forstå vores kunder, bliver vi den bedste leverandør til vores kunder og det bedste inkassofirma for vores debitorer.

Vi ser også et stort potentiale for i større udstrækning at anvende statistiske modeller for, hvordan vi kontakter vores kunder, hvem vi kontakter m.v. Hvor møder vi vores kunder bedst og på den rigtige måde? Fremsendelse af rykkere er også et vigtigt område med mange valg, hvor vi kan fremme arbejdet for at modvirke, at vores kunders kunder sendes til inkasso. Det er vigtigt, både for os og for vores kunder, at vi tilpasser disse processer efter de forskellige adfærdsmønstre, der findes.

Du og dit team vandt for nylig Arvato's Data Award på vegne af hele koncernen. Tillykke! Hvad var det, der gjorde, at I vandt?

Det kan lyde som en kliché, men nøglen til vores vellykkede projekter inden for machine learning har været et stærkt projektlederskab og et tæt samarbejde mellem funktioner. Nøglen til succes er tæt samarbejde, hvor man forstår hinandens forskellige roller og funktioner og sammen udvikler nye operationelle processer i kombination med en machine learning-model. Det kræver dedikerede medarbejdere, som vil tænke nyt og sætte spørgsmålstegn ved den eksisterende arbejdsform sideløbende med en meget tydelig projektstruktur.

Målet for os var aldrig kun at arbejde med machine learning, men at skabe en helt ny måde at arbejde og tænke på, at være den bedste leverandør for vores kunder og at behandle vores kunders kunder bedst muligt.