昆士兰州国家税务局（OSR）局长利兹·戈利（Liz Goli）坐在椅子上说："……通过这种方式，机器实际上可以提高我们对客户的同情心"，她反思道[1]。有意思的是，一台无情的机器可以帮助人类对其他人更具同情心！去年年底，OSR与SAP合作成功实现了一个机器学习原型，现在他们正在推进这项令人兴奋的新兴技术的生产试点。"我们不想要一个机器做决定的系统。但我们确实希望这台机器能够向我们的员工提供下一个最佳的行动建议，他们可以根据自己的经验和对如何应用立法的了解，选择是否遵循这些建议……我们还希望有一个系统能够接收大数据并在某些参数范围内采取行动。例如，在发生自然灾害的情况下，大数据说，机器可能会发现哪些客户受到影响，并将催收通知替换为主动式信函，给予额外的支付时间"

从行动反应到主动和个性化

国家税务局（OSR）负责征收税款和特许权使用费，以及为居住在昆士兰州的澳大利亚人管理首套住房业主补助金。该办公室的收入为国家提供了大约170亿澳元（110亿欧元）的年收入，这些收入被再投资于道路、学校、医院和社区服务。由于不到500名工作人员为200多万纳税人提供服务，该办公室需要提供高效率和自动化的服务，同时尽量减少昂贵和耗时的人工流程。此外，OSR需要释放办公室大量数据中包含的信息，以提供政府、企业和社区所需的以客户为中心的数字化服务。

及时征收税收是政府为基本服务提供资金的关键。但每年有高达5%的收入在到期日之前无法收回，2016财年的负债总额为8.82亿澳元（5.55亿欧元）。拖欠土地税的情况尤其严重，截至到期日，超过15%的收入尚未收回，2016财年的负债总额为1.12亿澳元（7000万欧元）。对我们大多数人来说，很难理解这些钱是如何追回的，但正如戈利女士所描述的，在个人层面上发生的事情其实很简单："……我们希望债务人付款，如果他们不付款，我们就开始提醒他们，在每次提醒之后，我们都坐下来等待。我们的过程可以描述为行动-反应，行动-反应-我们所做的每一个行动都应该引起客户的反应。但由于我们历史上没有对我们的行为引起的反应做过很多分析，软件企业的认定，因此我们并不总是了解客户的动机"

因此，为了实现他们减少负债的战略目标，Goli女士和她的团队知道，他们首先需要了解是什么因素导致一些客户按时付款，而其他客户则没有。挑战在于如何发掘隐藏在办公室大数据中的洞察力——这就是机器学习的由来。该办公室的机器学习原型分析了1.87亿条记录，以提供纳税人对风险的预测，并确定最终导致支付违约的事件和影响。这些可能是OSR控制的事情（如过程和相互作用），政府规定的事情（如政策和立法），hadoop大数据，或外部影响（如自然灾害）。这台机器将因果联系起来，使办公室能够积极主动地做出反应，并对他们进行个性化处理。

了解客户的动机

但在个人层面，你如何开始了解你从未见过的人的动机？答案在于他们旅程的形象化。Goli女士解释道："……传统上，我们处理电子表格中的数据，但我们发现数据可视化非常重要。人是可视化的，我们能够更好地用数据的可视化表示来识别模式，而不是用电子表格中的数据。因此，关键事件和影响的表现不仅如此，而且这些事件和影响如何在时间表上呈现，使员工能够真正了解客户的动机。

以一位高价值纳税人为例，OSR发现，他在五年中的行为一直是在收到最终通知之前忽略办事处的债务催收通知法律通知，云服务器价格比较，在这一点上，他迅速解决他的债务。对这个特殊客户的旅程的想象使OSR得出结论，他的行为不是因为不能按时付款，而是因为故意拖延结算。现在，该办公室具备了为这批人设计债务催收战略所需的洞察力。"我们可以写信给他解释说，我们注意到他只在最后通知时付款，所以我们不会再用多次提醒来打扰他了——从现在起，大数据是什么，他会得到一次提醒，然后下一封信将是最后的法律通知。同样，对于那些通常做正确的事情但在特定情况下不遵守规定的纳税人，我们可以为他们设计一个策略"

从一开始就正确的方法

最终，税务局的债务催收策略都是关于主动遵守的。在这方面，OSR从一开始就借用了OECD税收管理论坛（FTA）的口头禅。自由贸易协定旨在影响税收体系运行的环境，从对抗性对话转向与纳税人更具建设性的接触。他们的主动合规方法认识到，纳税人的动机是：威慑（被发现的风险和惩罚的严重性）、规范（个人和社会）、违规机会、公平（分配、程序和报复）、经济因素，以及纳税人与税务局之间的互动[2]。