Jumlah pinjaman ritel di India telah melonjak dari 35 juta pada Maret 2020 menjadi 60 juta pada akhir Maret 2022 menurut laporan gambaran umum Equifax¹. Laporan tersebut juga menyoroti bahwa jumlah portofolio terutang melonjak 25% dari INR 71 miliar pada Maret 2020 menjadi INR 89 miliar pada Maret 2022. Meskipun pertumbuhannya menjanjikan dan terlihat aman di tengah meningkatnya volatilitas dalam skenario ekonomi global, hal ini juga menunjukkan perlunya bank dan lembaga keuangan lainnya untuk mempersiapkan diri menghadapi masa mendatang.
Tantangan-tantangan tersebut meliputi membuat penagihan pinjaman lebih cepat, menurunkan biaya operasi, meminimalkan pinjaman bermasalah, memenuhi harapan peminjam dalam komunikasi, dan mematuhi norma-norma regulasi yang berkembang. Dengan ML dan AI yang merombak hampir setiap industri, saatnya bagi perusahaan pemberi pinjaman untuk mengeksplorasi potensi teknologi inovatif dalam area penagihan yang sebelumnya diabaikan dari perspektif transformasional.
Setelah berakhirnya pandemi, kebanyakan pemberi pinjaman berupaya membangun kemampuan digital dan analitis. Beberapa bank telah berinvestasi sejak awal dan memperkuat kemampuan mereka dalam pengadaan dan penilaian kredit. Namun, ada kesenjangan besar dalam kemampuan penagihan yang belum teratasi. Metode penagihan lama, manual, dan umum terbukti tidak efisien dan rentan terhadap kesalahan, namun masih dipertahankan. Praktik penagihan utang yang berulang, yang diterapkan secara masal tanpa pertimbangan karakter peminjam, profil risiko, dan perilaku, tidak hanya mahal namun juga tidak produktif.
Data sebagai pembawa perubahan
Data terbukti menjadi pembawa perubahan di berbagai industri, dengan layanan perbankan dan keuangan tidak terkecuali. Platform teknologi dengan otomatisasi dasar dan pengumpulan data sekarang digunakan oleh sebagian besar bank dan perusahaan Fintech. Analitika data canggih dan Machine Learning menyediakan cara inovatif untuk mengidentifikasi pola, wawasan, dan solusi yang dioptimalkan. Sistem pengambilan keputusan berbasis data telah membantu banyak bank, Perusahaan Keuangan Non-Bank, dan perusahaan Fintech mengubah pendekatan mereka dalam menagih pinjaman dengan segmentasi yang baik, wawasan yang dapat dijalankan, indikator perilaku peminjam, dan strategi personalisasi. Hal ini memberikan lembaga keuangan fleksibilitas, kecepatan, dan kemampuan untuk mengelola penagihan dengan lebih efisien dan efektif.
Rencana penjangkauan yang disusun secara khusus
Penagihan bukan lagi hanya tentang menjangkau peminjam secara langsung. Strategi penjangkauan sekarang perlu lebih luas, fokus, dan sesuai dengan ekosistem yang berkembang dengan cepat. Membuat strategi untuk menjangkau peminjam sesuai dengan karakter yang berbeda-beda dan membuat rencana tahap demi tahap yang mencakup berbagai saluran berdasarkan semua respons pelanggan yang diharapkan di setiap tahap adalah suatu keharusan. Bank dan lembaga keuangan lainnya menggunakan data untuk mengambil keputusan di seluruh rantai nilai penagihan, selain menggunakan platform teknologi terintegrasi dan solusi berbasis cloud yang mudah diintegrasikan. Ini terbukti hemat biaya, sangat efisien, dan lebih baik dalam mengelola risiko.
Solusi penyelesaian utang berbasis analitika
Beberapa strategi untuk mengembangkan proses penagihan utang berdasarkan analitika dan data mencakup:
1) Klasifikasi Risiko Peminjam: Algoritma machine learning dapat dengan lebih akurat memprediksi kemungkinan keterlambatan pembayaran oleh peminjam dengan menggunakan ratusan parameter input. Dengan keterbatasan sumber daya, menelepon setiap peminjam yang telat bayar bukanlah cara yang tepat, sehingga perlu untuk mengembangkan metode yang bagus untuk mengidentifikasi peminjam yang harus diprioritaskan dalam hal panggilan. Walaupun menelepon peminjam yang tidak memerlukan persuasi tambahan adalah usaha yang sia-sia, tidak berinteraksi dengan peminjam dapat menyebabkan bahkan akan menyebabkan keterlambatan lebih lanjut dan risiko tidak bayar yang lebih tinggi. Oleh karena itu, satu strategi untuk semua kasus bukanlah pendekatan terbaik yang dapat diambil. Pemberi pinjaman Fintech yang menggunakan platform Credgenics menggunakan model ML yang canggih untuk menyempurnakan strategi penjangkaunya yang mencakup beberapa saluran. Agen berpengalaman ditugaskan untuk berkomunikasi dengan pesan yang sesuai kepada peminjam berisiko tinggi dengan prioritas untuk memungkinkan mereka menutup saldo pinjaman mereka yang belum terbayar. Hasilnya adalah sebagian besar peminjam di segmen risiko tinggi dan sangat tinggi telah menanggapi panggilan pada hari ke-10 penagihan dan mendengarkan pesan yang disampaikan kepada mereka tentang jumlah pinjaman yang masih belum terbayar. Hal ini telah meningkatkan jumlah peminjam yang membayar, dibandingkan dengan mereka yang tidak merespons pelanggan sebesar 21%.
2) Prediksi Saluran: Berdasarkan perilaku komunikasi yang ada sebelumnya, bank dan perusahaan pembiayaan non-bank lainnya dapat memprediksi saluran, templat, bahasa, frekuensi, dan waktu terbaik untuk menghubungi peminjam. Banyak peminjam lebih memilih interaksi elektronik dan algoritma ML dapat mengidentifikasi preferensi mereka dengan akurat. Salah satu pelanggan perbankan Credgenics menggunakan Voicebot berbasis AI secara efektif untuk berkomunikasi dengan peminjam mereka di tahap awal tentang pemberitahuan untuk pembayaran dan informasi pembayaran lainnya yang akhirnya membuat pembayaran kembali yang lebih tinggi.
3) Optimisasi Strategi: Melacak perilaku peminjam secara real-time di semua saluran membantu menciptakan strategi dan kerangka kerja penagihan yang benar-benar disesuaikan untuk masing-masing individu. Pemberi pinjaman dapat menjelajahi solusi perangkat lunak pemulihan utang canggih yang menggunakan ML untuk memahami bagaimana peminjam mereka bereaksi terhadap strategi dan menilai perbedaan yang dibuat oleh teknologi terhadap hasil penagihan mereka.
4) Prediksi kesediaan untuk Membayar: Hal ini melibatkan memprediksi kesediaan peminjam untuk membayar, berdasarkan data historis dan upaya penjangkauan untuk menentukan prioritas telepon pada hari berikutnya. Data transaksi internal (detail pinjaman, skor kredit, pendapatan, dll.) dikombinasikan dengan pengaruh lainnya (cuaca, data pekerjaan, GDP, peristiwa mikro dan makroekonomi) dan pengaruh perilaku (data suara seperti demografis dan catatan panggilan) digunakan untuk memprediksi keterlambatan pembayaran dan mengembangkan strategi penjangkauan proaktif untuk pelanggan berisiko tinggi. Dengan menggunakan kerangka kerja analitika yang didukung ML, pemberi pinjaman dapat dengan cepat memahami hubungan antara peristiwa yang berbeda, seperti penurunan saldo rekening bank dan reaksi yang mengganggu dari interaksi telepon atau email. Tanpa perlunya intervensi agen, akun tersebut kemudian dapat menerima komunikasi proaktif yang kontekstual.
5) Manfaat dari solusi digital
Ketika sebuah Perusahaan fintech terkemuka menggunakan Analitika Penagihan Credgenics dalam menagih pinjaman, mengubah strateginya dan menggunakan pendekatan canggih berbasis data, hal tersebut akan menyebabkan 70% jumlah yang dipinjam dikembalikan dalam minggu pertama, pengurangan 25% dalam waktu penagihan, dan pengurangan 16% dalam upaya panggilan manual.
Penggunaan solusi digital yang canggih telah menghasilkan pengembalian pinjaman yang tinggi, mengurangi biaya penagihan, meningkatkan efisiensi penagihan, mempercepat penagihan, dan meningkatkan produktivitas sumber daya yang melakukan panggilan. Oleh karena itu, penting bagi bank, Perusahaan Keuangan Non-Bank, dan pemberi pinjaman Fintech untuk mengeksplorasi dan menggunakan praktik terbaik yang muncul dalam teknologi digital dan analitika canggih. Perubahan progresif dan berbasis inovasi ini akan membantu mereka tetap unggul, menetapkan standar baru dalam pelayanan pelanggan, dan meningkatkan profitabilitas mereka.
