News BLOG / EVENTS / PRESSE

Reduzierte Forderungsausfälle mithilfe maschineller Lernverfahren

Mit zunehmender Digitalisierung verändert sich die Erwartungshaltung der Kunden – auch beim Abschluss von Energieverträgen. Kurze, digitale Bestellstrecken gehören heutzutage zum Standard und reichen alleine nicht mehr aus, um sich vom Wettbewerb zu differenzieren. Immer mehr Energieversorger bieten ihren Kunden daher attraktive Bundle-Produkte zusätzlich zum klassischen Energievertrag an. Dahinter verbergen sich bspw. Smartphones, Fernseher oder eine Spielekonsole, die zusammen mit dem Energievertrag finanziert werden. Hierdurch haben die Energieversorger aber auch immer mehr mit den Risiken und Herausforderungen aus dem klassischen eCommerce-Geschäft zu kämpfen: attraktive Produkte ziehen nicht nur zahlungswillige Kunden an und die Schlupflöcher des Online-Vertriebs werden gerne ausgenutzt. Betrüger haben es oftmals auf die teuren Geräte abgesehen und sorgen dadurch für Aufwand und finanziellen Schaden beim Energieversorger.

 

Um potenzielle Forderungsausfälle schon frühestmöglich zu erkennen und zu vermeiden, haben wir im Rahmen eines Projektes mit der E-MAKS ein Analyseverfahren entwickelt, welches auf eine verbesserte Trennschärfe bereits im Antragsmanagement abzielt. Die E-MAKS ist ein Dienstleistungsanbieter für alle Auftraggeber aus der Energiewirtschaft und steht für innovatives Daten- und Prozessmanagement. Gefördert wird das Projekt von der Thüga Innovation.

Durch die Anreicherung der vorhandenen Kundendaten aus der Bestellstrecke mit unseren Kontextdaten wurde für einen Pilotkunden der E-MAKS auf Basis von maschinellem Lernen ein Modell trainiert, mit dem zukünftig jeder Vertragsantrag zusätzlich bewertet werden kann. Da bei Energieverträgen zwischen Vertragsabschluss und Belieferungsbeginn bzw. Zahlungszeitpunkt teilweise mehrere Monate vergehen, kommt der Prüfung der Vertragsanträge eine zusätzliche Bedeutung zu. Sogenannte „Nichtzahler“ fallen erst mit einer zeitlichen Verzögerung auf und machen notwendige Anpassungen im Antragsprozess oft erst sehr spät deutlich. Die neu entwickelte Scorecard ermöglicht es E-MAKS im Sinne eines proaktiven Forderungsmanagements schon im Antragsverfahren, eine verbesserte Einstufung des potenziellen Kunden vorzunehmen.

Mithilfe des neuen Modells, in Ergänzung zu den bereits bestehenden Beurteilungsmethoden, können voraussichtlich zahlungsfähige Kunden besser von zahlungsunfähigen bzw. -unwilligen Kunden unterschieden werden. Auf Basis des trainierten Modells wird eine Entscheidung herbeigeführt, ob der Kunde vom System abgelehnt wird oder der Vertragsabschluss zustande kommt. Das sorgt für deutlich reduzierte Forderungsausfälle beim Energieversorger. Und nicht nur das: Da die Anzahl der fälschlich vom System abgelehnten, aber potenziell zahlungswilligen Kunden reduziert wird, steigert das gemeinsame Modell von uns und der E-MAKS zudem den Umsatz.

Related Articles

Webinar: Mit Algorithmen zu den besten Ladestandorten

Mit zunehmender Digitalisierung verändert sich die Erwartungshaltung der Kunden – auch beim Abschluss von Energieverträgen....


Topics: Maschinelles Lernen, Energiebranche, Forderungsmanagement

Expertise vernetzen – Geospin Data Science Meetup 2021

Mit zunehmender Digitalisierung verändert sich die Erwartungshaltung der Kunden – auch beim Abschluss von Energieverträgen....


Topics: Maschinelles Lernen, Energiebranche, Forderungsmanagement

10 Schlagworte der Location Intelligence

Mit zunehmender Digitalisierung verändert sich die Erwartungshaltung der Kunden – auch beim Abschluss von Energieverträgen....


Topics: Maschinelles Lernen, Energiebranche, Forderungsmanagement