Late payment prediction models for fair allocation of customer contact lists to call center agents

جمع آوری بدهی از طریق مراکز تماس، عملیات مهم در بسیاری از حوزه های تجاری است، زیرا می تواند به طور قابل توجهی وضعیت مالی شرکت را بهبود بخشد، با تبدیل بدهی های بد به درآمد ناخالص پولی که به سود کمک می کند. از آنجا که عملکرد شغلی عوامل مرکز تماس که جمع آوری بدهی را انجام می دهند، عمدتا با مقدار جمع آوری بدهی ها مورد ارزیابی قرار می گیرند، مدیران مرکز تماس با چالش تخصیص لیست های تماس مشتری به صورت منصفانه برای از بین بردن یک عامل بی نظیر خارجی که می تواند ارزیابی عینی عملکرد عملکرد عامل را تحریف کنید. در این مقاله، ما پنج مدل پیش بینی پرداخت مبتنی بر یادگیری مبتنی بر یادگیری و ده روش امتیاز دهی مشتری برای پیش بینی احتمال پرداخت و میزان پرداخت دیر برای مشتریانی که در حال حاضر بدهی های پرداخت نشده را توسعه می دهند، توسعه می دهیم. قوانین مقدماتی پیشنهادی تحت تعدادی از متدهای مختلف با تعدیل تعداد عوامل تأیید شده است. نتایج تجربی تأیید می کنند که قوانین برآورد مبتنی بر مدل پیش بینی منجر به نتایج تخصیص منصفانه تر مشتریان میان عوامل در مقایسه با قوانین برآورد شده مشتری مبتنی بر اکتشاف موجود می شود. در میان مدل های پیش بینی شده، یک روش ترکیبی می تواند به طور موثر در پرداخت کنندگان اواخر را جذب کند، در حالی که مدل های مبتنی بر درخت، تخصیص مشتری بی طرفانه تر نسبت به سایر روش ها را نشان می دهد.