Μέθοδοι υπολογιστικής νοημοσύνης και πολύ-κριτήριας ανάλυσης αποφάσεων για τη μοντελοποίηση των διαδικασιών είσπραξης ληξιπρόθεσμων οφειλών

Abstract

Η παρούσα διπλωματική εργασία, η οποία διεξήχθη στο πλαίσιο του μεταπτυχιακού προγράμματος σπουδών «Στατιστική και Ανάλυση Δεδομένων» του Πανεπιστημίου Αιγαίου στο Τμήμα Στατιστικής και Αναλογιστικών – Χρηματοοικονομικών Μαθηματικών, αποσκοπεί στη βελτιστοποίηση του τομέα της είσπραξης ληξιπρόθεσμων οφειλών (debt collections field). Ο συγκεκριμένος τομέας είναι ιδιαίτερα σημαντικός για τη βιωσιμότητα των οργανισμών, ενώ ταυτόχρονα ο τρόπος εφαρμογής στρατηγικών είσπραξης ληξιπρόθεσμων οφειλών απαιτεί ιδιαίτερη προσοχή καθώς έχει άμεση σχέση με τον άνθρωπο. Για την επίτευξη αυτού του στόχου χρησιμοποιείται μία προσέγγιση πολλαπλών μεθόδων. Η έρευνα ξεκινάει εξετάζοντας το εννοιολογικό πλαίσιο του όρου «είσπραξη οφειλών», τον ρόλο, τις δυσκολίες αλλά και τη σημαντικότητα ύπαρξής του εν λόγω τομέα. Στη συνέχεια, αναλύονται βασικές θεωρητικές έννοιες της υπολογιστικής νοημοσύνης και της πολυκριτήριας ανάλυσης αποφάσεων. Τέλος, προτείνεται μία ολοκληρωμένη μεθοδολογία διαχείρισης ληξιπρόθεσμων οφειλών και διερευνάται η δυνατότητα εφαρμογής της σε πραγματικές συνθήκες. Πιο συγκεκριμένα, εξετάζεται μία μελέτη περίπτωσής όπου αξιοποιώντας πραγματικά δεδομένα επιχειρείται η στοχαστική κατηγοριοποίηση των πελατών (φυσικά πρόσωπα και επιχειρήσεις) και η εύρεση βέλτιστων στρατηγικών προσέγγισης και είσπραξης ληξιπρόθεσμων οφειλών. Η στοχαστική κατηγοριοποίηση των πελατών βασίζεται στον υπολογισμό πιθανοτήτων αναφορικά με (i) την λήψη θετικής υπόσχεσης πληρωμής (promise to pay) κατόπιν επιτυχούς τηλεφωνικής επικοινωνίας με τον πελάτη (φυσικό πρόσωπο ή επιχείρηση), (ii) τη μερική ή ολική αθέτηση των υποχρεώσεων πληρωμής (default payment) από τον πελάτη (φυσικό πρόσωπο ή επιχείρηση), αλλά και (iii) άλλες διαθέσιμες μεταβλητές ενδιαφέροντος στην βάση δεδομένων (π.χ., πόσες ημέρες ένας πελάτης είναι ενεργός στο σύστημα, υπόλοιπο οφειλής, κλπ.). Αξίζει να σημειωθεί ότι ο υπολογισμός των σχετικών πιθανοτήτων πραγματοποιείται με τη βοήθεια μοντέλων Λογιστικής Παλινδρόμησης (Logistic Regression Models), ενώ το σύνολο των μεταβλητών (i), (ii) και (iii) συνδυάζονται κατάλληλα με τη βοήθεια ενός Ασαφούς Συστήματος τύπου Mamdami (Mamdami Fuzzy Inference System) προκειμένου να πραγματοποιηθεί η τελική κατηγοριοποίηση των πελατών σε τρεις κλάσεις κινδύνου (κακοί, καλοί και πολύ καλοί πελάτες). Για κάθε κατηγορία πελατών, ένα σύστημα πολυκριτήριας ανάλυσης αποφάσεων βασισμένο στην Αναλυτική Ιεραρχική Διαδικασία (Analytic Hierarchy Process, AHP) εκτελείται συνδυάζοντας την κλάση κινδύνου που προκύπτει από το Ασαφές Σύστημα τύπου Mamdami με τις προτιμήσεις ενός ειδικού προκειμένου να σκοραριστούν και στη συνέχεια να ιεραρχηθούν/προταθούν οι πλέον κατάλληλες στρατηγικές είσπραξης οφειλών, ανά περίπτωση. Τα αποτελέσματα της παρούσας εργασίας υπογράμμισαν τη σημασία της ενσωμάτωσης των προτεινόμενων μεθοδολογιών στις διαδικασίες είσπραξης οφειλών που εφαρμόζει ένας οργανισμός προκειμένου προωθηθεί η επιστήμη στον τομέα της είσπραξης οφειλών και να καθιερωθεί ένα πλαίσιο για ακριβέστερες και αποτελεσματικότερες στρατηγικές επικοινωνίας με τους πελάτες.

This thesis, which was carried out in the context of the Master's degree programme "Statistics and Data Analysis" of the University of the Aegean at the Department of Statistics and Actuarial - Financial Mathematics, aims to optimize the field of debt collections. This area is particularly important for the sustainability of organizations, while at the same time the way of implementing strategies for the debt collection requires special attention as it is directly related to people. A multi-method approach is used to achieve this goal. The research starts by examining the conceptual framework of the term 'debt collection', its role, the difficulties and the importance of its existence. Then, basic theoretical concepts of computational intelligence and multi-criteria decision analysis are analyzed. Finally, a comprehensive methodology for managing overdue debts is proposed and its applicability in real-life situations is explored. More specifically, a case study is considered where, using real data, a stochastic categorization of customers (individuals and companies) is attempted and optimal strategies for approaching and collecting overdue debts are found. The stochastic categorization of customers is based on the calculation of probabilities regarding (i) the receipt of a positive promise to pay after a successful telephone contact with the customer (individual or business), (ii) the partial or total default of payment obligations (default payment) by the customer (individual or business), and (iii) other available variables of interest in the database (e.g., how many days a customer is active in the system, outstanding debt, etc.). It is worth noting that the calculation of the relative probabilities is carried out with the help of Logistic Regression Models, while the set of variables (i), (ii) and (iii) are appropriately combined with the help of a Mamdami Fuzzy Inference System in order to carry out the final categorization of customers into three risk classes (bad, good and very good customers). For each customer class, a multi-criteria decision analysis system based on the Analytic Hierarchy Process (AHP) is performed by combining the risk class resulting from the Mamdami Fuzzy System with the preferences of an expert in order to score and then prioritize/propose the most appropriate debt collection strategies, case by case. The results of this study highlighted the importance of incorporating the proposed methodologies into the debt collection processes implemented by an organization in order to advance the science in the field of debt collection and establish a framework for more accurate and effective customer communication strategies.