銀行催收欠款,應該先催欠多的客戶,還是欠少的?想靠「大數據」做決策,經理人該知道的事


麥肯錫曾在一份談「大數據」的報告中,預測美國在2018年將會面臨14~19萬名有深度數據分析能力的人才缺口。照此推算,台灣缺少1萬名數據科學家。若缺額全部來自台灣前一千大企業,平均每家企業將會短缺10位數據科學家。

這已經不是新聞了,台灣企業都認為懂得做數據分析的人才很難找。

在同一份報告中,麥肯錫也預測美國將會缺少150萬名能用數據分析結果做出有效決策的經理人。用同樣推算方法,每家台灣前一千大企業則缺少100位能用深度數據分析結果做決策的經理人。

這倒是新聞了!因為台灣前一千大企業很少會認為自己缺少100位能用深度數據分析做決策的經理人。這樣的經理人應該負擔什麼責任?做什麼事?該怎麼做?我有個親身體驗可以和大家分享。

催收欠款,要先催欠多的還是欠少的?

美國的第一資本銀行(Capital One)運用資訊做決策,在競爭激烈的信用卡市場後來居上,打下一片江山,是金融界的經典案例。久聞該銀行傳奇,我在2001年加入該銀行,負責催收業務策略。

當時,該銀行有200萬名客戶遲繳高達20億美元的信用卡債,但只有1000多位催收人員,寶貴的資源該如何分配?怎麼做才能提升催收人員的產值?

太早對客戶催收,有可能會浪費催收資源原本就會還錢的客戶身上;太晚催收,財務狀況已經不好的客戶,財務可能惡化,更還不出錢來,加大銀行損失。

銀行當時也試過各種不同的策略:風險高的客戶優先催收(因為風險高嘛);風險低的客戶優先催收(免得其他銀行先把客戶的錢要走,客戶變成風險高);先催錢欠得多的(從肥的先下手);催錢欠得少的(也許客戶會比較乾脆,一次還清欠款)各種策略,都已經有多年的嘗試,改進的門檻愈墊愈高。該採取什麼策略,才能讓催收更有效益?

「Big Data」的關鍵不在Data,在analytics

我檢視前人已經嘗試過的各種催收策略後,提出「以『投資報酬率』決定催收優先順序」的構想。

進行的方式是利用銀行原本擁有的資料,例如客戶欠款的金額、曾經被催收過的次數、上次催收日期、每次催收的反應、每次還款的金額、信用風險評分等等,來計算每一位客戶「隔天被催收的預期回收金額」與「預期消耗的催收資源」之期望報酬率,然後將期望報酬率最高的20萬名客戶,排入第二天催收的名單。

說服眾人這種方式的可行性後,我帶領一群資料分析師、統計人員,以及商業分析師,以三個月時間,建立「以每位欠款戶在銀行的最新資訊」計算「次日催收的預期投資報酬率」的經濟模型以及決策流程。

然後我又以兩個月,面對其他分析師的同儕檢視(peer reviews),確認建模方法、資料運用,以及決策流程之合理性。最後以預期的經濟效益,向最高管理階層爭取試行的機會。銀行經過幾個月的控制實驗,確認可以額外產生8000萬美金的純益後,全面採用我的策略。

深度客戶數據分析的目的,是預測客戶未來的行為。可是,必須依賴商業分析人員,才能將行為的預期,轉化為能產生經濟價值的決策。如同我常說的:「Big data的關鍵不在data,在analytics;analytics的關鍵不在statistics,在economics。」能聽得懂、做得到的企業,才有能力用「大數據」賺到錢。

延伸閱讀 /

  1. 跟老闆「溝通」之前,你想得夠清楚了嗎?我聽部屬簡報時一定會問的5個問題
  2. 如何為公司提高50億美元的獲利機會?麥肯錫給台灣企業的3個建議

李聖珉

遠傳電信首席顧問

30年職涯橫跨金融、電信、資通與科技產業,涵蓋策略規劃、營運優化,以及轉型發展。專精於面對與解決陌生問題,以及培育發展解決問題團隊。曾任職於IBM、麥肯錫、Capital One、廣達等企業。在台灣大學講授「解決問題的理論與實務」課程,歡迎加入臉書社團培養解決問題的能力

延伸閱讀