Malgré de nombreux exemples d’applications réussies de l’intelligence artificielle (IA) dans le secteur financier, le back-office est encore oublié. Les professionnels du crédit et du recouvrement consacrent encore beaucoup de temps et d’efforts au travail manuel et banal. Nous avons conçu YayPay pour avoir des capacités prédictives dans le but de tirer parti de l’IA pour apporter des améliorations aux processus et des informations pour libérer le back-office.
l’IA est un outil qui aide les gens à se libérer du travail banal et à passer à des responsabilités utiles, créatives et génératrices de valeur dans leur travail quotidien. De la détection des fraudes à la prise de décision en matière de crédit, en passant par la gestion des risques, le trading, les services conversationnels et la souscription d’assurances, les start-ups d’IA appliquent des techniques d’apprentissage automatique à des processus inefficaces bien connus dans la finance et les améliorent. Nous créons un produit qui rend les collections intelligentes, mais qui fabrique également intelligence pour le back-office.
Alors, comment avons-nous procédé pour faire cela pour notre produit? Nous avons initialement développé notre algorithme de prédiction pour la précision. Notre première version tentait de prédire une date exacte de paiement d’une facture ouverte en fonction des données historiques et de certaines autres caractéristiques comportementales. Nous avons atteint une précision d’environ 80%, ce qui signifie que la date de paiement complet de notre facture prévue pour une facture ouverte serait de plus ou moins trois jours à compter de la date réelle dans 80% des cas. Eh bien, le problème avec cette approche était que si vous aviez besoin de précision, vous faites des erreurs importantes, et les clients n’aimeront pas vraiment cela.
Heureusement, l’objectif le plus important pour la prévoyance était l’exactitude plutôt que la précision. Nous avons découvert un cas d’utilisation différent mais plus pratique. Parfois, ce dont nos clients ont besoin n’est pas la date exacte à laquelle une facture va être payée, mais plutôt dans quelle phase du cycle de vie de la facture la facture sera payée. La facture sera-t-elle payée avant la date d’échéance, en retard ou sera-t-elle payée 60 plus? Sachant cela, nous avons changé notre algorithme. Aujourd’hui, notre produit estime si la facture sera payée à la date d’échéance avec une précision supérieure à 90%. Ensuite, une fois la facture en souffrance, nous estimons si elle sera payée en 30, 60, 90 ou plus de 90 jours avec différents niveaux de précision. Dans ce cas, les prédictions pour les 30 premiers jours sont les plus précises à environ 90%, et à 80% de précision pour le seau 90+.
Nous nous attendons à ce que ces modèles améliorent considérablement les performances à mesure que nous intégrons davantage de sources de données internes et externes dans nos modèles. À l’heure actuelle, nous commençons par les données au niveau de la facture et les données de comportement au niveau du payeur / bénéficiaire. Ensuite, nous incluons des informations contextuelles telles que l’industrie, les revenus et la taille de l’entreprise. Lors de l’exploitation de ces données, nous prenons soin de choisir les algorithmes appropriés qui peuvent exploiter correctement les informations contextuelles en apprenant leurs interactions et leurs dépendances.
Dans un avenir proche, tout domaine nécessitant une prise de décision et disposant de grandes quantités de données structurées peut être géré par l’IA. Nous avons imaginé un produit qui, avec suffisamment de données, peut examiner les tendances à plusieurs niveaux. Par exemple, comment les ventes sont-elles réparties entre les acheteurs et les secteurs individuels? Comment les secteurs se comportent-ils les uns par rapport aux autres et au fil du temps? Nous voulons également que notre produit fournisse des informations sur les tendances sous-jacentes. Par exemple, quels secteurs connaissent une croissance ou une contraction? À quoi ressemblent vraiment les actifs des comptes clients (RA) du point de vue des flux de trésorerie attendus? Quand serez-vous payé? Peut-on s’attendre à des changements dans le comportement de paiement ? Pouvons-nous utiliser les comportements de paiement comme indicateur précoce des changements économiques dans des secteurs clés?
Pour en savoir plus sur l’exploitation des données pour améliorer le back-office, lisez la transcription de l’entretien ici.
