Die meisten Inkassoabteilungen nutzen A/B-Tests, um zu testen und zu lernen und ihren Ansatz auf der Grundlage der Ergebnisse zu verfeinern. A/B-Tests sind zwar großartige Werkzeuge, haben aber auch einige Nachteile:
- Sie sollten einen A/B-Test in der Regel ein bis zwei Wochen lang durchführen, um eine statistisch repräsentative Stichprobe zu erhalten;
- Sie müssen dann einen erheblichen Teil Ihrer Zeit und Energie für die Analyse der Daten aufwenden;
- Sie könnten in die Falle tappen und denken, dass der Gewinner Ihres A/B-Tests die beste und einzige Option ist. Leider ist dies nicht immer der Fall - verschiedene Methoden eignen sich am besten für unterschiedliche Szenarien.
Die Lösung besteht nicht darin, A/B-Tests ganz aus Ihrer Strategie zu streichen. Stattdessen müssen Sie ihre Grenzen verstehen und alternative Ansätze implementieren, die diese Unzulänglichkeiten kompensieren.
Mit anderen Worten: Sie sollten einen mehrarmigen Banditen-Ansatz (MAB) wählen. Auf diese Weise verbringen Sie weniger Zeit mit der Interpretation von Ergebnissen und deren Umsetzung und haben mehr Zeit, die Verbraucher mit Ihren effektivsten Mahnverfahren zu bedienen.
Dieser Artikel befasst sich mit den Unzulänglichkeiten von A/B-Tests, was MAB ist und wie es den Erfolg von Kollektionen fördert.
Aktuelle Hürden für operative Teams im Bereich Inkasso
Die besten Inkassoteams aktualisieren und verfeinern ihre Strategie kontinuierlich. Dabei können sie jedoch auf eine Reihe von Hürden stoßen.
1. Nicht wissen, welche E-Mail-Vorlagen am besten funktionieren, weil sie nicht automatisiert sind
A/B-Tests sind statistische Experimente, die im Allgemeinen manuell durchgeführt werden. Einfach ausgedrückt: Sie stellen Option A und Option B gegenüber, führen die Tests durch und werten die Daten aus, sobald sie abgeschlossen sind. Nachdem Sie die Ergebnisse ermittelt haben, können Sie diese Erkenntnisse schließlich zur Verbesserung Ihrer Strategie nutzen.
Während das Konzept also recht einfach ist, ist die Umsetzung der Ergebnisse alles andere als mühelos.
Sammelteams haben in der Regel keine Möglichkeit, verschiedene Vorlagen in großem Umfang zu testen, die Ergebnisse sofort zu erhalten und wichtige datengestützte Erkenntnisse sofort zu nutzen. Daher verbringen sie mehr Zeit und Mühe damit, herauszufinden, welche E-Mail-Vorlagen am besten funktionieren, während sie gleichzeitig mehr Zeit mit ineffektiven Strategien verbringen.
2. Nicht wissen, welcher Zeitpunkt für die Übermittlung von Nachrichten für welches Segment am besten geeignet ist
Die Optimierung Ihrer Outreach-Strategie erfordert die Feinabstimmung einer Vielzahl von Faktoren: die Art der Nachricht, den Kanal und den Zeitpunkt, zu dem Sie Ihre Nachrichten versenden.
Aber es ist nicht einfach, den besten Zeitpunkt für den Versand einer Mahnung zu finden, vor allem, wenn Sie sich auf physische Methoden (wie Direktwerbung) verlassen, bei denen Sie nicht wissen, wann Ihr Brief tatsächlich geöffnet wird.
Aber auch wenn Sie digitale Methoden verwenden, müssen Sie immer noch manuell vorgehen. Das bedeutet, dass Sie auf die Ergebnisse warten, erkennen müssen, was die Daten Ihnen sagen, und schließlich die entsprechenden Anpassungen vornehmen müssen. Dies in großem Umfang zu tun, ist schwierig, zeitaufwändig und ineffizient.
3. Zu lange Bearbeitungszeiten - und nicht immer ein klarer Weg
A/B-Tests liefern zwar effektive Ergebnisse, erfordern aber viel Geduld. In vielen Fällen müssen Sie mit einer Hand auf dem Rücken arbeiten - Sie wissen noch nicht, wie Sie Ihre Kunden segmentieren können, also müssen Sie sie möglicherweise willkürlich nach Faktoren segmentieren, die vielleicht gar nicht so wichtig sind.
Sobald Sie jedoch einen A/B-Test beginnen, ist die Bearbeitungszeit oft lang (dies hängt jedoch weitgehend davon ab, wie viele Daten Sie haben und wie viele Varianten Sie untersuchen). Man kann nicht auf halbem Wege einsteigen und die Ergebnisse entsprechend ändern. Testen ist nicht so sehr ein iterativer, fortlaufender Prozess, bei dem die Agenten ihren Ansatz verfeinern, sobald neue Informationen eintreffen. Stattdessen ist es eher ein Stop-Start-Prozess, bei dem es eine Verzögerung zwischen dem Erhalt der Ergebnisse und der Umsetzung dieser Erkenntnisse in die Praxis gibt.
A/B-Tests können auch durch die Datenlage erschwert werden. Bei zu vielen Daten weiß man nicht mehr, wo man anfangen soll, so dass Strategen und Agenten unter einer Analyse-Lähmung leiden. Es wird praktisch unmöglich zu erkennen, welche spezifischen Varianten tatsächlich einen Unterschied machen und welche verworfen werden können.
Zu wenige Daten hingegen bedeuten, dass Sie nur wenige historische Spuren hinterlassen, die analysiert werden können, um entscheidende Erkenntnisse zu gewinnen und Ihre Leistung in Zukunft spürbar zu verbessern.
Wie kann MAB helfen?
Der Begriff "mehrarmiger Bandit" (MAB) bezieht sich auf das Konzept eines Spielers, der versucht, herauszufinden, welcher Spielautomat die besten Ergebnisse bringt. Stellen Sie sich mehrere Arme vor, die an einem Spielautomaten befestigt sind. In der Welt der Technik handelt es sich um einen Algorithmus des maschinellen Lernens, der zunächst das Ergebnis erforscht und anschließend das maschinelle Lernen anwendet, um die optimale Strategie während der Betriebsprozesse weiter auszunutzen und zu entdecken.
Im Inkasso müssen Sie einen ähnlichen Ansatz verfolgen: Sie müssen KI und maschinelles Lernen nutzen, um mehrere Strategien zu testen, um zu ermitteln, welche Strategien oder Mahnvorlagen am besten funktionieren, und um mehr Zeit/Energie/Ressourcen in diese Strategien zu investieren als in ihre weniger erfolgreichen Gegenstücke.
Wenn Sie mehrere Strategien gleichzeitig automatisch testen, verfeinern und nach Prioritäten ordnen können, steigern Sie den Erfolg Ihrer Sammlungen. Hier kommt der MAB-Ansatz ins Spiel, bei dem maschinelles Lernen zum Einsatz kommt.
Wie unterscheidet sich MAB von A/B-Tests?
Im Gegensatz zum A/B-Testing ist MAB ein iterativer Prozess. MAB sammelt fortlaufend Schlüsseldaten, bevor diese Erkenntnisse automatisch in die Tat umgesetzt werden, was bedeutet, dass sich die Agenten einfach zurücklehnen und den Algorithmus seine Arbeit machen lassen können.
A/B-Tests eignen sich hervorragend zur Erkundung (d. h. zum Testen einer Annahme und zum Erhalt von Daten, die Aufschluss darüber geben, ob diese wahr ist). MAB geht jedoch noch einen Schritt weiter: Es priorisiert sowohl die Erkundung als auch die Ausbeutung. Zu Beginn befindet es sich im Erkundungsmodus. Sobald es jedoch die ersten Ergebnisse erhält, kann es in den Verwertungsmodus übergehen und die Fähigkeiten des maschinellen Lernens nutzen, um diese Erkenntnisse automatisch zur Verfeinerung Ihres Mahnverfahrens anzuwenden.
Das bedeutet nicht, dass A/B-Tests überflüssig sind - ganz im Gegenteil. Sie sind nach wie vor fantastisch, wenn es darum geht, wichtige datengestützte Erkenntnisse zu gewinnen, die Aufschluss über Ihre Kunden und deren Verhalten geben. Wenn Sie jedoch den manuellen Prozess vermeiden möchten, sich mit den Zahlen zu befassen, die daraus gewonnenen Erkenntnisse zu verstehen und diese effektiv zu nutzen, dann sollten Sie auch einen MAB-Ansatz in Betracht ziehen.
Umfassender Einsatz von maschinellem Lernen
Maschinen sind viel besser (und effizienter) als Menschen, wenn es darum geht, große Datenmengen zu verarbeiten. Sie können Tausende von Datenpunkten innerhalb von Millisekunden sammeln, analysieren und verstehen. Darüber hinaus bedeutet MAB, dass Sie auf datengestützte Erkenntnisse sofort reagieren können, indem Sie kontinuierlich mehr Ressourcen in die effektivsten Strategien investieren und Strategien vermeiden, die nicht gut funktionieren.
Stellen Sie sich vor, Sie würden versuchen, dies für alle Ihre Kunden manuell zu tun. Das würde nicht nur unglaublich viel Zeit in Anspruch nehmen, sondern Ihre Mitarbeiter wären vielleicht sogar weniger zuverlässig als Maschinen. Irren ist menschlich - nicht maschinell. Laut Deloitte: "Der Einsatz von Maschinen zur Analyse qualitativer Daten könnte zu Zeit- und Kosteneinsparungen führen und den Wert der aus den Daten gewonnenen Erkenntnisse erhöhen."
Ist das nicht das ideale Szenario?
Die Vorteile von MAB in Sammlungen
Es gibt drei Hauptwege, auf denen MAB das Potenzial hat, Ihren Sammlungsansatz neu zu erfinden.
- Optimieren Sie effektives Messaging
MAB testet automatisch verschiedene Vorlagen auf einmal, erkennt, welche am besten funktionieren, und stellt sicher, dass diese Vorlagen in Zukunft vorrangig behandelt werden.
Beschränken Sie die manuelle Arbeit auf ein Minimum. Lassen Sie Agenten und Strategen sich darauf konzentrieren, eine Reihe potenzieller Messaging-Vorlagen zu entwickeln, bevor sie MAB die Zügel in die Hand geben. Der Algorithmus prüft, was am besten funktioniert, und nutzt (d. h. bevorzugt) diejenigen, die zu diesem Zeitpunkt am besten zu funktionieren scheinen. Sollten sich die Ergebnisse jemals ändern, werden automatisch mehr Ressourcen für diese anderen Nachrichtenvorlagen bereitgestellt.
- Den besten Zeitpunkt für das Versenden von Nachrichten kennen
MAB wendet dasselbe Erkundungs-/Ausnutzungsmodell an, um den besten Zeitpunkt für das Versenden einer Nachricht zu ermitteln. Es beginnt mit einer breiten Palette von Zeitpunkten und sendet von jedem einen gleichen Teil, bevor es Daten erhält, die auf die besten Zeitpunkte hinweisen. Nach Erhalt dieser Daten werden dann die erfolgreichen Zeitpunkte für die Zukunft priorisiert.
- Mehr Zeit aufwenden, um die besten Ansätze zu nutzen
Mit MAB müssen Sie sich nur darauf konzentrieren, eine Reihe von Ansätzen zu entwickeln. Das maschinelle Lernen sammelt, versteht und implementiert dann iterativ datengesteuerte Erkenntnisse, so dass die Agenten mehr Zeit mit Hochrisikokunden verbringen können, die eine Interaktion von Mensch zu Mensch benötigen.
Mehr Inkassoerfolg bei weniger Aufwand. Die perfekte Mischung.
MAB: Ihre Geheimwaffe für einen anhaltenden Erfolg bei Sammlungen
A/B-Tests sind eine wichtige Stütze für datengesteuerte Inkassoteams, aber sie haben gewisse Einschränkungen. Sie erfordern viel Zeit und manuellen Aufwand, was bedeutet, dass Sie zu lange auf ein optimales Ergebnis warten müssen, um Ihre Inkassoleistung zu steigern.
Durch den Einsatz eines MAB-Algorithmus in Verbindung mit Ihren A/B-Tests können Sie jedoch automatisch iterieren und Ihre Kollektionsansätze fortlaufend verfeinern. Lehnen Sie sich zurück und entspannen Sie sich in der Gewissheit, dass Ihre effektivsten Strategien automatisch priorisiert werden.
Wenn Sie mehr darüber erfahren möchten, wie receeve einen MAB-Algorithmus für den Erfolg von Kollektionen einsetzt, sprechen Sie mit einem Mitglied unseres Teams.
