Робот для взыскания в банке: автоматизация Soft-collection для розничного портфеля

О проекте

Крупный розничный банк столкнулся с ростом объёма просроченной задолженности в сегменте потребительского кредитования. Нагрузка на контакт-центр увеличивалась, при этом классическая модель расширения штата перестала быть экономически эффективной.

Задача заключалась в том, чтобы масштабировать исходящие коммуникации с должниками на этапах Pre-collection и Soft 1–30 без потери управляемости и соблюдения регуляторных требований. Решением стал голосовой робот для взыскания, интегрированный в процессы банка и работающий параллельно с операторами.

Результат — 70% уровень дозвона и возможность одновременного запуска до 1 000 звонков без увеличения штата КЦ.

Клиент и контекст

Клиент — крупный банк с федеральным розничным портфелем. Основной объём просрочки формируется в сегменте необеспеченных кредитов и кредитных карт.

Факторы, влияющие на задачу:

• высокая плотность базы на ранних стадиях просрочки;
• необходимость строгого соблюдения законодательства о взыскании;
• контроль качества коммуникации;
• ограничение по бюджету на расширение контакт-центра;
• требования к фиксации результатов переговоров в CRM.

На ранних этапах просрочки скорость и регулярность контакта напрямую влияют на возврат средств. Именно этот сегмент и был выбран для автоматизации.

Цели и KPI

Перед запуском проекта были сформулированы конкретные цели:

• увеличить процент дозвона по базе должников;
• обеспечить регулярные касания в рамках допустимого окна контакта;
• снизить нагрузку на операторов первой линии;
• сократить стоимость одного результативного контакта;
• обеспечить одновременную работу с крупными объёмами базы.

Ключевые KPI проекта:

• уровень дозвона — около 70%;
• до 1 000 одновременных звонков;
• снижение доли ручных исходящих кампаний;
• ускорение обработки базы на ранних стадиях просрочки.

Как работает робот для взыскания

Голосовой робот встроен в процесс Soft-collection и работает по заданной логике, согласованной с банком и службой комплаенса.

Базовый принцип

1. Система получает сегментированную базу (по сроку просрочки, сумме, типу продукта).
2. Робот инициирует исходящий звонок в допустимые временные окна.
3. Проводится идентификация клиента.
4. Озвучивается информация о просрочке и предлагаются варианты действий.
5. Результат фиксируется в CRM.
6. При необходимости — передача на оператора с уже собранным контекстом.

Пользовательский сценарий 1

Клиент получает звонок → проходит идентификацию → узнаёт сумму просрочки → выбирает вариант оплаты → подтверждает готовность оплатить в определённый срок → информация фиксируется в системе.

Пользовательский сценарий 2

Клиент сообщает о финансовых трудностях → робот уточняет причину → предлагает перевод на специалиста → оператор получает полный контекст разговора.

Какие задачи решает робот в процессе взыскания

• напоминание о просрочке в корректной формулировке;
• фиксация обещания оплаты (PTP);
• уточнение причин неоплаты;
• сбор контактной информации;
• сегментация клиентов по реакции;
• передача сложных кейсов на операторов;
• масштабная обработка базы без потери контроля.

Важно: робот работает строго в рамках регламентов и частотности контактов. Все диалоги логируются, что упрощает аудит и контроль качества.

Внедрение

Проект реализовывался поэтапно.

1. Анализ портфеля и сценариев

Команда изучила структуру просрочки, частотность контактов, показатели дозвона, типовые реакции клиентов. Были выделены приоритетные сегменты для автоматизации.

2. Проектирование логики диалога

Сценарии разрабатывались с учётом:

• требований законодательства;
• внутренних регламентов банка;
• особенностей речевого поведения должников;
• корректной фиксации PTP и отказов.

Наиболее трудоёмким этапом стала настройка логики реакций на нестандартные ответы клиентов.

3. Интеграция с CRM и АТС

Робот был интегрирован с внутренними системами банка для:

• получения актуальных данных по задолженности;
• фиксации результатов звонков;
• передачи кейсов операторам.

4. Тестовый запуск

Пилот проводился на ограниченной выборке базы в течение нескольких недель. После корректировки логики и параметров дозвона система была масштабирована.

Общий срок внедрения — от 4 до 8 недель в зависимости от объёма интеграций.

Результаты внедрения

После запуска робот показал устойчивые показатели:

• 70% уровень дозвона по целевым сегментам;
• возможность одновременного запуска до 1 000 звонков;
• ускорение обработки базы на ранних стадиях просрочки;
• высвобождение операторов для сложных переговоров;
• снижение нагрузки на контакт-центр в пиковые периоды.

Проект доказал, что автоматизация Soft-collection не заменяет операторов, а перераспределяет ресурсы. Робот закрывает массовые и типовые коммуникации, а специалисты работают с кейсами, требующими индивидуального подхода.

Посмотрите другие кейсы с похожими задачами — масштабирование soft-collection, повышение дозвона и снижение нагрузки на операторов первой линии.