+7(999)340-56-00
Исследования | Process Mining | ML | AI
Анализ поведения клиентов с помощью Process Mining и AI и поиск скрытых зависимостей при оказании сервисных услуг
Цель проекта
- проверить, влияет ли качество работы управляющей компании в сфере ЖКХ на образование дебиторской задолженности клиентов,
- оценить обоснованность принятых показателей качества работы (SLA).
Описание ситуации
Цифровизация бизнеса приводит к накоплению больших объемов данных о выполняемых процессах. Применение Process Mining, машинного обучения и искусственного интеллекта позволяет находить в этих данных неочевидные зависимости и инсайты, которые могут улучшить клиентский опыт и финансовые показатели.
Такой подход работает даже в консервативных отраслях, таких как ЖКХ. Одной из ключевых проблем в данной сфере является дебиторская задолженность. Очевидно, что возникновение задолженности – это сложное явление из области поведенческой экономики и психологии, зависящее от множества факторов. Современные технологии анализа данных позволяют выделять эти факторы и проверять их влияние на возникновение долгов.
В данном проекте в качестве фактора влияния на возникновение дебиторской задолженности рассматривалось качество работы управляющей компании – если она хорошо работает и не нарушает SLA, то клиент всем доволен и платит вовремя.
Такой подход работает даже в консервативных отраслях, таких как ЖКХ. Одной из ключевых проблем в данной сфере является дебиторская задолженность. Очевидно, что возникновение задолженности – это сложное явление из области поведенческой экономики и психологии, зависящее от множества факторов. Современные технологии анализа данных позволяют выделять эти факторы и проверять их влияние на возникновение долгов.
В данном проекте в качестве фактора влияния на возникновение дебиторской задолженности рассматривалось качество работы управляющей компании – если она хорошо работает и не нарушает SLA, то клиент всем доволен и платит вовремя.
Что было сделано
- Качество работы управляющей компании оценивалось через соблюдение SLA в процессах обслуживания сервисных заявок клиентов.
- SLA1 – срок принятия заявки в работу (норматив – 1 сутки),
- SLA2 – срок выполнения заявки (норматив – 3 суток),
- SLA3 – маршрут выполнения заявки (норматив – список "правильных" маршрутов).
- Для проверки гипотезы были подготовлены данные из диспетчерской и учетной систем по ~12 тыс. клиентов.
- Разработана методология исследования на основе power analysis и двустороннего Z-теста, с помощью которой проверена гипотеза о влиянии на возникновение дебиторской задолженности качества работы управляющей компании через соблюдение SLA, а также подтверждена обоснованность принятых в компании SLA.
- Полученные результаты
- Зависимость дебиторской задолженности от SLA1 и SLA2 есть, и она статистически значима. Контролируя соблюдение нормативов работы по заявкам клиентов, можно добиться сокращения долгов.
- SLA3 не влияет напрямую на возникновение задолженности, но дает ответ на вопрос, что делать, чтобы улучшить соблюдение SLA2 и выполнять заявки в нормативный срок? – Нужно стабилизировать процесс и выполнять его по «правильным» маршрутам!
- Подтверждена обоснованность и оптимальность действующих значений нормативов SLA1 и SLA2.
- Искусственный интеллект и нейронные сети были применены для построения предиктивной модели, чтобы по SLA паттернам классифицировать ситуацию – будет у клиента дебиторская задолженность или нет.
- Эксперименты показали, что выбранное пространство признаков на основе SLA паттернов является слишком грубым и не позволяет качественно классифицировать объекты – для успешного прогнозирования необходимо расширить и детализировать пространство признаков.
-
Подробно данный проект рассмотрен в статье "Как влияет SLA на долги клиентов?" на нашем сайте.
Технические детали
