Как влияет SLA на долги клиентов?
Применяем Process Mining в сфере ЖКХ
Введение
Долги клиентов негативно сказывается на финансовых показателях и работе любой коммерческой организации. Управляющие и сервисные компании в сфере ЖКХ не являются исключением. Чтобы управлять дебиторской задолженностью, необходимо понимать причины ее возникновения и знать способы минимизации их влияния.
Возникновение дебиторской задолженности – это сложное явление из области поведенческой экономики и психологии. А это значит, что не существует единственного фактора, от которого на 100% или около того зависит решение проблемы долгов, и поиск его лишен смысла. Напротив, есть много факторов, в разной степени влияющих на появление дебиторской задолженности.
В данной статье мы рассмотрим гипотезу о наличии зависимости дебиторской задолженности от выполнения SLA (Service Level Agreement) в процессе обслуживания плановых обращений клиентов в управляющую компанию в сфере ЖКХ (далее УК).
Исследование выполнено специалистами компании Астелика совместно с компанией Диспетчер 24 (ООО Удобные решения), которая оказывает услуги контакт-центра для компаний в сфере ЖКХ и предоставляет онлайн-сервисы для взаимодействия УК с клиентами.
Под SLA будем понимать нормативы, принятые в УК и отражающие представления УК о том, как должны обслуживаться клиенты. Примерами SLA являются срок принятия заявки клиента в работу, срок выполнения заявки, маршрут выполнения заявки. УК следит за соблюдением SLA и считает, что с обслуживанием клиентов все в порядке, если не было нарушений SLA.
Плановые обращения – это заявки клиентов, связанные с регулярным обслуживанием многоквартирного дома. Они не требуют от клиента дополнительной оплаты сверх регулярных платежей за обслуживание, а значит не приносят УК доходов в явном виде. Однако соблюдение SLA при выполнении плановых заявок может влиять на отношение клиентов к УК, в том числе на дисциплинированность при выполнении регулярных платежей за жилищно-коммунальные услуги, а значит и на возможное возникновение задолженности.
Ниже мы сформулируем данное предположение в виде статистической гипотезы и проверим ее с помощью методов процессной аналитики (Process Mining), которые позволяют исследовать процесс по его цифровому следу. В качестве исходных данных взяты журналы событий диспетчерской системы, где регистрируются все действия при работе с обращениями клиентов, и учетная система УК, где фиксируется задолженность клиентов.
Возникновение дебиторской задолженности – это сложное явление из области поведенческой экономики и психологии. А это значит, что не существует единственного фактора, от которого на 100% или около того зависит решение проблемы долгов, и поиск его лишен смысла. Напротив, есть много факторов, в разной степени влияющих на появление дебиторской задолженности.
В данной статье мы рассмотрим гипотезу о наличии зависимости дебиторской задолженности от выполнения SLA (Service Level Agreement) в процессе обслуживания плановых обращений клиентов в управляющую компанию в сфере ЖКХ (далее УК).
Исследование выполнено специалистами компании Астелика совместно с компанией Диспетчер 24 (ООО Удобные решения), которая оказывает услуги контакт-центра для компаний в сфере ЖКХ и предоставляет онлайн-сервисы для взаимодействия УК с клиентами.
Под SLA будем понимать нормативы, принятые в УК и отражающие представления УК о том, как должны обслуживаться клиенты. Примерами SLA являются срок принятия заявки клиента в работу, срок выполнения заявки, маршрут выполнения заявки. УК следит за соблюдением SLA и считает, что с обслуживанием клиентов все в порядке, если не было нарушений SLA.
Плановые обращения – это заявки клиентов, связанные с регулярным обслуживанием многоквартирного дома. Они не требуют от клиента дополнительной оплаты сверх регулярных платежей за обслуживание, а значит не приносят УК доходов в явном виде. Однако соблюдение SLA при выполнении плановых заявок может влиять на отношение клиентов к УК, в том числе на дисциплинированность при выполнении регулярных платежей за жилищно-коммунальные услуги, а значит и на возможное возникновение задолженности.
Ниже мы сформулируем данное предположение в виде статистической гипотезы и проверим ее с помощью методов процессной аналитики (Process Mining), которые позволяют исследовать процесс по его цифровому следу. В качестве исходных данных взяты журналы событий диспетчерской системы, где регистрируются все действия при работе с обращениями клиентов, и учетная система УК, где фиксируется задолженность клиентов.
Идея исследования
Гипотеза о наличии зависимости дебиторской задолженности от SLA опирается на предположение, что клиент реагирует на нарушения SLA со стороны УК снижением своей обязательности по своевременной оплате услуг УК, то есть задолженность – это реакция клиента на качество работы УК по его заявкам. Если же УК не нарушает SLA, то клиент всем доволен и платит вовремя
Исходные данные
Источниками данных для проверки гипотезы являются выгрузки из диспетчерской и учетной систем УК за шесть месяцев.
В качестве дебиторской задолженности учтена только текущая задолженность (менее 31 дня) в бинарном виде (0 – нет задолженности, 1 – есть). Ограничение по сроку сделано из предположения, что задолженность более 31 дня имеет иную природу, отличную от текущей реакции клиента на качество работы УК по его заявкам. Также в расчет взята задолженность более 1000 руб. (величина порога отсечки может быть любой, начиная с 0 руб.).
В качестве SLA использованы временные и процессные метрики процесса:
SLA1 – срок принятия заявки в работу (норматив – 1 сутки),
SLA2 – срок выполнения заявки (норматив – 3 суток),
SLA3 – маршрут выполнения заявки (норматив – список «правильных» маршрутов).
Показатели SLA, как и дебиторская задолженность, взяты в бинарном виде (0 – нет нарушений норматива, 1 – есть). Такой набор SLA используется в повседневной работе УК.
Для анализа и проверки гипотезы необходимо объединить данные по заявкам клиентов, имеющие событийный характер, с периодическими данными по задолженности. Эта процедура требует учета хронологии между датами выполнения заявок и датами фиксации задолженности, выбора методик обобщения для каждого клиента показателей SLA по разным заявкам и ДЗ на разные даты.
В результате был подготовлен набор данных по 12916 клиентам, которые обращались в УК с заявками. Среди них у 9758 клиентов задолженности не было (75.5%), а у 3158 – была (24.5%).
Также задолженность имела место у 4559 клиентов, которые вообще не обращались в рассматриваемый период в УК с обращениями. Их мы не будем учитывать при проверке гипотезы. Это обстоятельство подтверждает, что на возникновение задолженности влияет множество факторов и уровень обслуживания является одним из них.
В качестве дебиторской задолженности учтена только текущая задолженность (менее 31 дня) в бинарном виде (0 – нет задолженности, 1 – есть). Ограничение по сроку сделано из предположения, что задолженность более 31 дня имеет иную природу, отличную от текущей реакции клиента на качество работы УК по его заявкам. Также в расчет взята задолженность более 1000 руб. (величина порога отсечки может быть любой, начиная с 0 руб.).
В качестве SLA использованы временные и процессные метрики процесса:
SLA1 – срок принятия заявки в работу (норматив – 1 сутки),
SLA2 – срок выполнения заявки (норматив – 3 суток),
SLA3 – маршрут выполнения заявки (норматив – список «правильных» маршрутов).
Показатели SLA, как и дебиторская задолженность, взяты в бинарном виде (0 – нет нарушений норматива, 1 – есть). Такой набор SLA используется в повседневной работе УК.
Для анализа и проверки гипотезы необходимо объединить данные по заявкам клиентов, имеющие событийный характер, с периодическими данными по задолженности. Эта процедура требует учета хронологии между датами выполнения заявок и датами фиксации задолженности, выбора методик обобщения для каждого клиента показателей SLA по разным заявкам и ДЗ на разные даты.
В результате был подготовлен набор данных по 12916 клиентам, которые обращались в УК с заявками. Среди них у 9758 клиентов задолженности не было (75.5%), а у 3158 – была (24.5%).
Также задолженность имела место у 4559 клиентов, которые вообще не обращались в рассматриваемый период в УК с обращениями. Их мы не будем учитывать при проверке гипотезы. Это обстоятельство подтверждает, что на возникновение задолженности влияет множество факторов и уровень обслуживания является одним из них.
Методология исследования
Проверку гипотезы о наличии зависимости дебиторской задолженности (далее ДЗ) от SLA выполним для каждого показателя SLA в отдельности. Рассмотрим процедуру проверки на примере SLA2 – срок выполнения заявки.
Среди 12916 клиентов в подготовленном наборе данных нарушения SLA2 были в отношении 8247 клиентов (63.9%), а в отношении 4669 клиентов (36.1%) нарушений не было.
Выделим из всей выборки клиентов две группы одинакового размера – группа А, где SLA2 не был нарушен, и группа В, где нарушения SLA2 были. Размер групп A и B определяется с помощью power analysis и составляет 3660 клиентов в каждой.
Обозначим долю клиентов в группе A, которые имели ДЗ как PA, а в группе В – PB. Сформулируем нулевую (H0) и альтернативную (H1) статистические гипотезы:
H0: PA = PB (доля клиентов с ДЗ не зависит от SLA),
H1: PA ≠ PB (зависимость доли клиентов с ДЗ от SLA есть).
Проверку выполним с помощью двустороннего Z-теста. Количество данных достаточно, чтобы повторить проверку несколько раз и обобщить результаты.
Отклонение нулевой гипотезы в пользу альтернативной означает, что доли клиентов с ДЗ в группах, где были нарушения SLA2 и где их не было, значимо различаются и есть зависимость ДЗ от SLA2.
Среди 12916 клиентов в подготовленном наборе данных нарушения SLA2 были в отношении 8247 клиентов (63.9%), а в отношении 4669 клиентов (36.1%) нарушений не было.
Выделим из всей выборки клиентов две группы одинакового размера – группа А, где SLA2 не был нарушен, и группа В, где нарушения SLA2 были. Размер групп A и B определяется с помощью power analysis и составляет 3660 клиентов в каждой.
Обозначим долю клиентов в группе A, которые имели ДЗ как PA, а в группе В – PB. Сформулируем нулевую (H0) и альтернативную (H1) статистические гипотезы:
H0: PA = PB (доля клиентов с ДЗ не зависит от SLA),
H1: PA ≠ PB (зависимость доли клиентов с ДЗ от SLA есть).
Проверку выполним с помощью двустороннего Z-теста. Количество данных достаточно, чтобы повторить проверку несколько раз и обобщить результаты.
Отклонение нулевой гипотезы в пользу альтернативной означает, что доли клиентов с ДЗ в группах, где были нарушения SLA2 и где их не было, значимо различаются и есть зависимость ДЗ от SLA2.
Результаты
Для SLA2 мы получили, что доли клиентов с ДЗ в группах B и A различаются статистически значимо и можно говорить о влиянии SLA2 на возникновение ДЗ. Однако величина этого различия в абсолютном выражении невелика – порядка 2.7%.
Как можно интерпретировать такой результат?
Количество клиентов с ДЗ > 1000 руб. в группе B, где нарушали SLA2, составляет 254 из 1000. В группе A, где не нарушали SLA2, 227 из 1000. При уменьшении на 1000 количества клиентов, в отношении которых нарушали срок выполнения заявок в 3 суток (SLA2), число клиентов с ДЗ > 1000 руб. должно сократиться на 27.
Рассматривая разницу между группами PB и PA как различительную способность SLA2, можно, варьируя значение норматива SLA2 (до этого оно было фиксировано и равно 3 суток), найти оптимальное значение норматива SLA2 по величине наибольшей различительной способности. В нашем случае оптимальным значением нормативного времени выполнения заявок (SLA2) будет 2, а не 3 суток, с разницей между группами PB и PA в 2.9%.
Аналогичные расчеты были сделаны для SLA1 и в результате получено, что различительная способность SLA1 сопоставима с SLA2. Она составляет 2.8% и является статистически значимой. Оптимальное значение SLA1 составляет 9–12 часов, а не 1 сутки.
Расчеты для SLA3 показали недостаточность данных при формировании выборки для теста, а на имеющихся данных зависимость ДЗ от SLA3 обнаружить не удалось (различительная способность составила порядка 1.9%, но статистические показатели, хотя и были близки к граничным значениям, не позволили отклонить нулевую гипотезу).
Количество клиентов с ДЗ > 1000 руб. в группе B, где нарушали SLA2, составляет 254 из 1000. В группе A, где не нарушали SLA2, 227 из 1000. При уменьшении на 1000 количества клиентов, в отношении которых нарушали срок выполнения заявок в 3 суток (SLA2), число клиентов с ДЗ > 1000 руб. должно сократиться на 27.
Рассматривая разницу между группами PB и PA как различительную способность SLA2, можно, варьируя значение норматива SLA2 (до этого оно было фиксировано и равно 3 суток), найти оптимальное значение норматива SLA2 по величине наибольшей различительной способности. В нашем случае оптимальным значением нормативного времени выполнения заявок (SLA2) будет 2, а не 3 суток, с разницей между группами PB и PA в 2.9%.
Аналогичные расчеты были сделаны для SLA1 и в результате получено, что различительная способность SLA1 сопоставима с SLA2. Она составляет 2.8% и является статистически значимой. Оптимальное значение SLA1 составляет 9–12 часов, а не 1 сутки.
Расчеты для SLA3 показали недостаточность данных при формировании выборки для теста, а на имеющихся данных зависимость ДЗ от SLA3 обнаружить не удалось (различительная способность составила порядка 1.9%, но статистические показатели, хотя и были близки к граничным значениям, не позволили отклонить нулевую гипотезу).
Выводы
- Зависимость дебиторской задолженности от временных SLA1 (срок принятия заявки в работу) и SLA2 (срок выполнения заявки) есть, и она статистически значима.
Правда, различительная способность SLA1 и SLA2 невелика – на уровне 2.7% от размера выборки. Причина низкой различительной способности SLA – сложность и многофакторность проблемы возникновения задолженности. Как следствие, не существует одного простого и понятного параметра, который бы на 100% объяснял возникновение ДЗ. SLA тоже не является "священным Граалем", который мог бы решить проблему с ДЗ в полном объеме.
Контролируя соблюдение нормативов работы с обращениями клиентов, можно добиться сокращения долгов и предотвратить их появление.
- Прямая зависимость ДЗ от процессного SLA3 не подтвердилась, однако SLA3 может быть полезен своей связью с SLA2.
Выбранные SLA просты и логичны с точки зрения бизнеса, но не идеальны с позиций Process Mining, так как являются взаимозависимыми. Что это значит? В случае нарушения SLA1 (обращение не принято в работу вовремя) в 85% случаев SLA2 (заявка не выполнена вовремя) тоже будет нарушен. Другими словами, если вовремя не приняли заявку в работу, то и выполнить ее вовремя скорее всего не удастся.
В случае нарушения SLA3 (процесс выполнен с отклонениями от «правильного» маршрута) в 80% случаев будет нарушен и SLA2 (заявка не выполнена вовремя). Это ожидаемо, так как в нарушение SLA3 попадают, например, экземпляры процесса, когда неоднократно менялся исполнитель, когда заявка открывалась повторно, и т.д. – это сказывается на сроках выполнения.
Отсюда есть полезное побочное следствие. Ценность SLA3 – это ответ на вопрос, что делать, чтобы улучшить соблюдение SLA2 и выполнять заявки в нормативный срок? Нужно стабилизировать процесс и выполнять его по «правильным» маршрутам! Это можно рассматривать как конкретную рекомендацию к действию для владельца процесса.
- Проверена оптимальность действующих значений нормативов SLA1 и SLA2. Получено, что более оптимальными являются более жесткие нормативы: 9-12 часов вместо 24 часов на прием заявок в работу, двое суток вместо трех на выполнение заявок.
Соблюдение более жестких нормативов потребует от УК дополнительных вложений. Поэтому решение о целесообразности изменения SLA стоит принимать на основе экономических расчетов, которые находятся вне рамок данного исследования.
