如果你在一个有数百万债务人和数十亿美元未偿债务的政府债务催收环境中工作过，你会立刻抓住这个问题的复杂性。你可以在许多已发表的论文中读到这一点，"一个尺寸——不适合所有尺寸"。长期以来，债务催收已经从一个静态过程转变为一个明确定义的升级路径。不幸的是，一个大小不适合所有的讨论描述什么"你不应该做"，而不是你应该如何实际解决一个庞大的债务账本的复杂性。不同的债务人有不同的态度，不同的文化背景等等。每一个不同的债务人，每一笔债务，每一种情况都需要区别对待。因此，大数据应用案例，首先，为了组织成百上千的排列，债务/债务人数据需要分类/分段。

此后，任务——听起来很简单——是为给定的债务/债务人（或更确切地说是其中的一类）找到最佳的收集步骤（原子干预，如通信，打电话或拜访），然后希望随后付款。人们经常向我建议，预测性分析可以很容易地解决这样一个问题。是的；债务催收是一个很好的预测分析领域，因为它显然是一个大数据问题。那些聪明的预测算法肯定比人类试图将他们最能感知的东西建模到规则引擎中要聪明得多。

但是等等，那些人类规则建模者在他们的规则中加入了更多的内容。所有这些界限都有：法律界限（例如，你需要遵循这些步骤，并且必须达到门槛）、政策界限（例如，尊重宗教节日或已故债务人的情况）、成本限制界限（你真的会派遣你的流动劳动力来收取50美元）、质量界限（没有适当的，验证地址或电话号码（许多活动将不起作用）和劳动力边界。

因此，一元云购下载，很明显，返利，预测结果必须与这些边界密切相关。此外，只有在你有一个比较过去结果的良好基础的情况下，预测分析才有效，否则新方法将永远不会被选择，因为算法无法判断它们成功的可能性。因此，新的方法必须不断地进行测试。一段时间以前，这个概念被称为"冠军挑战者"原则。冠军是现有的，众所周知的操作方法，大数据收集，挑战者是新的，在变化的环境或某些情况下可能会更好。

在预测分析的世界中，不断挑战现有活动的方法不仅仅是一种选择，但这对于整体优化的成功是必要和关键的。收集系统必须使工作人员能够在充分了解收集数据和趋势的基础上，轻松设置这些新的挑战者战略。在一个不断变化的环境中，这个过程非常类似于特别活动，其中活动战略需要从活动焦点小组的交互式定义开始。一旦定义了焦点组，就需要为challenger策略定义新的收集步骤/规则。换言之，催收工作人员必须成为优化系统的智能债务管理人员，远离案例决策。

为了增加复杂性，通常正确的活动顺序或组合会显著影响催收结果，因此，与其简单地预测下一个最佳催收步骤，不如预测下一个催收步骤最好的策略（几个步骤的结合）似乎更优越。最后，部长对征收部门提出质疑，询问"如果我们能够克服所描述的（法律、政策或劳动力）界限，我们可以预期（"预测"）多少额外收入？"

同样，简单地说，在运行时，推导/预测下一步似乎太简单了。我们需要的是一个全面的预测评分系统，它在运行时根据当前的边界进行验证。每个收集策略/步骤的预测评分结果用于支持手动决策，并在模拟边界变化时预测结果。

以下幻灯片总结了需要如何协调不同的描述部分，以优化收集产量：

SAP非常投入通过在一个集成平台上为收款机构提供所有优化工具（收款策略、规则、预测分析、冠军/挑战者设置、活动和手动决策例外），云从，克服债务收款的复杂性。

嗨，弗兰克，

这是一篇关于杠杆预测分析的优秀文章，这是HANA平台中的一项尖端技术，为新的收集策略推导带来了真正的情报和知识，它提供了前所未有的潜在能力，帮助政府机构每年节省数百万美元。