DATASCIENCE & MACHINE LEARNING
Des modèles prédictifs spécialisés pour le recouvrement de créances
Notre équipe de data science transforme l'historique de vos dossiers en décisions : combien vaut un portefeuille, combien il va encaisser et à quelle vitesse, quelle action mener sur chaque dossier.
NOS SERVICES
Le machine learning appliqué à vos données de recouvrement
Valoriser vos portefeuilles, prioriser vos dossiers, optimiser vos stratégies : trois leviers construits sur vos données.
Pricing de portefeuille
Achetez ou vendez au juste prix, puis pilotez vos encaissements face à la prévision.
- Avant l'achat ou la cession : estimez la valeur d'un portefeuille et de chacun de ses segments, avec la courbe d'encaissement attendue mois par mois.
- Après l'achat : comparez les encaissements réels à la courbe prévue, pour détecter tôt un segment qui décroche ou qui surperforme.
- Surendettement : nous avons des modèles spécialisés pour valoriser les portefeuilles de dossiers en procédure.
Sous le capot
- Prédire une courbe, pas un chiffre : nous utilisons l'analyse de données fonctionnelles (Functional Data Analysis). La variable prédite est la courbe d'encaissement complète de chaque dossier, et non un taux de recouvrement à date fixe.
- Modèle : des courbes paramétriques issues d'un modèle de recouvrement construit sur des distributions de probabilité sous-jacente. Leurs paramètres dépendent des caractéristiques du dossier : solde, type de créance, titre exécutoire, etc.
- Valorisation : somme des flux d'encaissement actualisés, calculée dossier par dossier puis agrégée.
Scoring des dossiers
Mettez la bonne énergie sur le bon dossier.
- Estimation par dossier : un score donne ce que chaque dossier devrait rapporter, en général à 12 mois.
- Orientation : le score sert à choisir entre amiable et judiciaire, à sélectionner le sous-traitant et à affecter le dossier à la bonne équipe.
- Explication : chaque score est justifié. Vous voyez quels éléments du dossier le font monter ou baisser, ce que vos équipes peuvent comprendre et défendre.
Sous le capot
Gradient boosting avec un modèle à deux étages (modèle hurdle) :
- probabilité qu'au moins un paiement ait lieu ;
- montant espéré s'il y a paiement.
Cette structure traite proprement la masse de dossiers à zéro encaissement.
Explicabilité : valeurs SHAP, pour l'ensemble du portefeuille comme pour chaque dossier.
Optimisation des stratégies de recouvrement
Plus de scénario figé : pour chaque dossier, la machine propose à chaque instant la meilleure action, et vos équipes gardent la main.
- Fin des scénarios écrits à la main : il n'y a plus de scénario de relance à concevoir ni à maintenir. Le système détermine pour chaque dossier l'action suivante et son moment : appel, courrier, SMS ou attente.
- Vos équipes valident les décisions importantes : les actions de routine s'enchaînent automatiquement, dans le cadre que vous avez fixé. Les décisions lourdes, comme le passage au judiciaire, sont soumises à un gestionnaire, qui peut toujours reprendre la main sur un dossier.
- Apprentissage continu : chaque encaissement, ou chaque absence d'encaissement, affine la politique. Les décisions s'améliorent avec le temps, sans réécrire de règles.
- Vos contraintes réelles : le système tient compte de la capacité de vos équipes et du coût de chaque action. Il maximise ce qui est encaissé déduction faîte des coûts, et le plus tôt possible.
Sous le capot
- Modélisation : apprentissage par renforcement. Chaque dossier est un processus de décision markovien : l'état est la situation et l'historique du dossier, l'action est le levier de recouvrement, la récompense est l'encaissement net du coût de l'action.
- Objectif : la politique apprise maximise les encaissements futurs actualisés, sous contrainte de capacité des équipes.
- Garde-fous intégrés à la politique : on peut limiter les actions possibles, en interdire certaines, ou en soumettre d'autres à la validation d'un gestionnaire. Chaque décision est enregistrée et peut être retracée.
STACK TECHNIQUE
Une stack industrielle, du modèle à la production
Des outils open source éprouvés, mis en œuvre par nos équipes dans nos propres datacenters.
Modélisation
scikit-learn, SciPy et PyTorch : les bibliothèques de référence, du gradient boosting aux réseaux de neurones.
Suivi des modèles
MLflow : chaque modèle est versionné, et ses performances comme ses données d'entraînement sont tracées.
Orchestration
Temporal : les prévisions et les réentraînements sont planifiés, puis relancés automatiquement en cas d'incident.
Intégration continue
Jenkins pour tester et déployer chaque évolution, Sphinx pour générer automatiquement la documentation de conformité.
Restitution
Les études et les suivis de portefeuille sont restitués sur notre plateforme Dataviz.
Hébergement et sécurité
Exploitation dans nos datacenters, dans le périmètre de notre certification ISO/IEC 27001, et supervision des journaux par Wazuh.
CONTACT
Parlons de vos données
Un portefeuille à valoriser, des dossiers à prioriser, des stratégies à optimiser ? Décrivez-nous votre besoin : un data scientist de l'équipe vous recontacte pour en discuter.