Machine learning: Hur användningen av intern data ökar träffsäkerheten i Arvatos beslut

Anna Anderén jobbar inom Digital Excellence som ansvarar för arbetet kring kontinuerlig effektivisering inom automatisering och digitalisering i Norden.

Machine learning: Hur användningen av intern data ökar träffsäkerheten i Arvatos beslut 1
Anna Anderén

Hon leder bland annat det viktiga arbetet med hur Arvato ska fatta smartare beslut med hjälp av intern data.

För Arvato är målet alltid att arbeta så effektivt som möjligt med en hög grad av automatisering och digitalisering, och ta fler beslut grundade på intern historisk data. Utifrån denna kan man använda olika metoder för att skapa olika typer av modeller, såsom Machine Learning. Machine learning handlar om att använda algoritmer, eller modeller, för att identifiera mönster i data, mönster som hjälper oss att fatta rätt beslut. Vi har haft möjlighet att utveckla och testa flertalet modeller, med goda resultat som starkt bidragit till en högre grad av automatisering.

– Machine learning optimerar våra produktionskostnader och gör att vi kan hålla konkurrensmässiga priser gentemot våra kunder, men maximerar också deras intäkter, säger Anna Anderén.

Varför är machine learning så viktigt för Arvatos verksamhet?

– I Sverige, liksom i Norge och Finland, är inkassoprocessen väldigt beroende av det legala ramverk som omger inkasso. Det är otroligt viktigt att ett inkassobolag skickar rätt ärenden vidare till Kronofogden då de innebär en kostnad. Vårt mål är att skicka rätt ärenden vidare, både för våra företagskunders och gäldenärers skull. Machine learning innebär att våra handläggare inte ska behöva göra en manuell utvärdering av varje enskilt ärende.

Machine learning handlar alltså om att använda intern data. Hur då?

– Vår interna data är en otrolig guldkälla! Med hjälp av den kan vi optimera de beslut vi tar så att vi kontinuerligt kan utvärdera, mäta och kvantifiera vilka förbättrade resultat våra beslut ger. Vi har otroligt duktiga medarbetare som tidigare fattat bra beslut baserat på erfarenhet, men dessa är i längden omöjliga att utvärdera och följa. Därför är det av yttersta vikt att använda en statistisk modell så att vi kontinuerligt kan förbättra och optimera vårt beslutsfattande på ett kontrollerat sätt.

 

Hur ser det ut i inkassobranschen i stort när det gäller machine learning?

– Många av våra konkurrenter arbetar med statistiska modeller i sin beslutsfattning, men jag tror att vi är relativt unika med vår metod att använda machine learning i det dagliga arbetet. En fördel med machine learning är att modellen lär sig av de beslut den tar, och på så sätt löpande optimerar vårt sätt att arbeta.

Vad ser du ytterligare för potential i machine learning framöver?

– Jag tror definitivt detta är framtiden för många beslut vi tar i vår dagliga verksamhet. Att använda vår interna data för att ta så optimerade beslut som möjligt, och även följa dem på ett kontrollerat sätt, gör att vi kan ägna tid åt att ständigt förbättra sättet vi arbetar och tar beslut på. Om vi hela tiden strävar efter att förstå vår kundbas blir vi den bästa leverantören till våra kunder och det bästa inkassobolaget för våra gäldenärer.

Vi ser också stor potential att i en större utsträckning använda statistiska modeller om hur vi kontaktar våra kunder, vilka vi kontaktar osv. Var möter vi våra kunder bäst och på rätt sätt? Även påminnelseprocessen är ett viktigt område med många vägval, där vi kan främja för att motverka att våra kunders kunder hamnar på inkasso. Det är viktigt, både för oss och våra kunder, att vi anpassar dessa processer efter de olika beteendemönster som finns.

Du och ditt team vann nyligen det koncernövergripande AFS Data Award. Vad var det som gjorde att ni vann?

– Det kan låta klyschigt, men nyckeln till våra framgångsrika projekt inom machine learning har handlat om ett starkt projektledarskap och ett tätt samarbete mellan funktioner. Nyckeln till att lyckas är ett genuint nära samarbete där man förstår varandras olika roller och funktioner, och tillsammans utvecklar nya operationella processer i kombination med en machine learning-modell. Det krävs dedikerade medarbetare som vill tänka nytt och ifrågasätta befintligt arbetssätt parallellt med en mycket tydlig projektstruktur.

Målet för oss var aldrig att bara skapa en ny machine learning-modell, utan att skapa ett helt nytt sätt att arbeta och att tänka, för att vara den bästa leverantören för våra kunder och för att behandla våra kunders kunder på bästa möjliga sätt.