Teradata EDW + modelos predictivos, la mezcla exitosa de Standard Bank

Standard

 

Eduardo DonatoDurante el evento anual Teradata Partners, que la firma líder en Big Data realizara el año pasado en National Harbor, Maryland, tuvimos oportunidad de asistir a la presentación de un caso de éxito por parte de Standard Bank de Argentina. El caso se basaba en el uso de tecnología Teradata y fue presentado por Eduardo Donato y Pablo Lichieri, de las áreas de riesgo crediticio y sistemas de información, respectivamente.
Standard Bank experimentó un sólido crecimiento en todo su portfolio durante los últimos años. Dicho crecimiento acarreó consigo, además de los beneficios, algunos problemas.
Uno de esos problemas fue el de la necesidad de utilizar una mayor cantidad de agentes de cobranzas en el call center de la institución. Esa cantidad había crecido un 25% en 2008, un 40% en 2009 y un 43% en 2010.
El problema
En 2011, el call center de cobranzas estaba corto de agentes y las proyecciones del negocio indicaban que pronto harían falta muchos más.
Algunas de las opciones disponibles para solucionar este problema eran, por un lado, la tradicional consistente Licherien incorporar mayor cantidad de agentes de cobranza. Esta solución implicaba mayores costos de salarios, mayores costos de espacio físico y mayores costos por equipamiento y uso de telefonía.
Otras opciones eran las de: revisar los procesos que se ejecutaban en el call center de cobranza buscando oportunidades de mayor eficiencia; recurrir al outsourcing de servicios de cobranza, lo cual resultaba más costoso que la modalidad tradicional y por último la opción de vender el portfolio problemático, lo cual no era factible en un estadio temprano.
La opción elegida fue la de revisar los procesos en búsqueda de eficiencias. El objetivo era el de reducir la cantidad de llamados necesarios para sostener o hacer crecer los niveles de cobranza.
A este fin, se clasificaron las actividades según el ciclo de atraso y otros factores y se llegó al planteamiento del siguiente interrogante: ¿Se puede calcular qué clientes tienen alta probabilidad de pagar por sí mismos en algunos días sin que se los llame?
Hasta ese momento, se había trabajado en base a un archivo de clientes atrasados en los pagos. Este archivo se actualizaba diariamente y se pasaba al dispositivo Avaya Mosaix de discado automatizado. La prioridad estaba en base a los días de atraso y los agentes hacían todas las llamadas posibles.

La solución
La solución elegida fue la de utilizar Teradata Enterprise Data Warehouse y software SPSS PES (Predictive Enterprise Services) de IBM. Mediante la aplicación de un modelo y el desarrollo de los algoritmos necesarios, se implementó un modelo de Scoring administrado desde las áreas de negocio.
Los datos se alimentan diariamente desde el centro de cómputos y, desde el warehouse de datos se procesa el modelo. Este modelo arroja un archivo clasificado de los clientes con atraso en pagos y el mismo se alimenta en la plataforma Avaya Mosaic. De esta manera, los agentes sólo llaman a los clientes que presentan un scoring más alto que el previsto en el umbral establecido.
El modelo de predicción se desarrolló en julio de 2011 y se trabajó en la colección y depuración de datos para definir y establecer los atributos clave. Luego se estudiaron los factores de análisis y las variables con mayor peso predictivo, cálculos de probabilidad y otros. Así, se logró un modelo con las variables que presentaban el mayor “valor de información.”
El proyecto
Fue un proyecto que insumió 2500 horas de recursos internos de IT y fue implementado y puesto en producción en forma gradual utilizando la metodología Champion-Challenger.
Esta implementación gradual comenzó con el 15% de los casos y se comprobaron los resultados luego de cada fase. La nueva estrategia arrojaba resultados sorprendentes: con una cantidad de llamados un 43% menor, se estaba realizando una cobranza mayor que con la vieja estrategia.
El proyecto avanzó fluidamente, con algunos tropiezos que dejaron su enseñanza. “La implementación del primer feedback analítico desde los sistemas transaccionales será difícil,” es una de ellas. Otro inconveniente fue el que surgió del relevamiento inicial, donde se permitió que los usuarios agregaran cosas “lindas de tener” y que llevaron a cierta pérdida de foco y en consecuencia, tiempo.
La metodología Champion-Challenger mostró sus ventajas facilitando la aprobación del proyecto, generando confianza a través de la medición de resultados y abriendo espacios al ensayo de nuevas ideas, comportamientos inteligentes en los procesos existentes y llevando a mejores soluciones.
Otra lección: En el caso de negocio de una EDW (Enterprise Data Warehouse) es imposible prever muchos proyectos de alto ROI que luego vendrán, como el de este caso.
Los resultados
Los resultados fueron realmente impresionantes. En 2011 y 2012, directamente no se requirió ningún aumento en la cantidad de agentes en el call center. Si bien las proyecciones de crecimiento en el portfolio del banco no fueron las esperadas debido a factores macroeconómicos, la estrategia permitió manejar estas funciones con la misma cantidad de recursos.
La estimación del ROI (Return on Investment) de este proyecto es del 392% teniendo en cuenta el primer año de ahorros.
Por otra parte, proyectos como este traen el beneficio de que las áreas de negocio comiencen a tener visibilidad de una plataforma analítica sólida como la de Standard Bank. La confianza en el dispositivo hará que dichas áreas de negocio comiencen a tener propuestas de aprovechamiento.
El desarrollo de modelos, contando con un EDW, se reduce en un 50% en términos de tiempos y recursos. Una vez creado un buen EDW, los costos de proyectos analíticos son marginales y arrojan altísimos ROIs.