Begünstigter: Nitro Communications Gesellschaft mit beschränkter Haftung

Projekttitel: Entwicklung eines auf künstlicher Intelligenz basierenden Kundensegmentierungssystems

Projekt-ID: 2019-1.1.1-PIACI-KFI-2019-00413

Beschreibung des Projekts

Die Nitro Communication Kft. als Mitglied der auf datengesteuerte Marketing- und Vertriebsunterstützung spezialisierten Unternehmensgruppe Lead Generation und die Cessio Zrt. als Konsortium von Forderungsmanagement-Unternehmen entwickeln eine Business-Intelligence-Lösung, die auf den Datenbeständen der Unternehmenskundenkommunikation und der Datenbestände basiert und die Möglichkeiten der künstlichen Intelligenz nutzt. Die aus den Forschungs- und Entwicklungsarbeiten des Konsortiums resultierende Technologie wird in allen Zielbereichen eng mit den strategischen Plänen von Nitro Communication abgestimmt, während Cessio Zrt. in der Lage sein wird, von den Projektergebnissen direkt in seinem Unternehmen zu profitieren. Dementsprechend werden im Rahmen des Projekts ein Technologieentwicklungsprozess und ein konkreter Produktentwicklungsprozess parallel durchgeführt.

Jedes maschinelle Lernsystem basiert auf geeigneten Datenbanken, auf denen die Entwicklung einer zielgerichteten Lösung umgesetzt werden kann. In diesem Projekt ist diese Grundstruktur die in den Systemen der Cessio Zrt. generierten Daten, deren wertvollster Teil die aufgezeichnete Kommunikation mit den Kunden ist. Das aus dem Projekt resultierende Produkt soll auf diesem erweiterten Verständnis der Datenbestände aufbauen, um ein Segmentierungsmodell zu erstellen, das dazu beitragen kann, zwei der wichtigsten Fragen im Zusammenhang mit den Kunden des Schuldenmanagements anzugehen: die Zahlungsfähigkeit und vor allem die Zahlungsbereitschaft, zwei der wichtigsten Bedingungen für die Schuldenregulierung. Dementsprechend besteht unsere erste Aufgabe in dieser Forschung darin, eine KI-interpretierbare Datenbank zu erstellen, deren Quellen in Form von Case-Management-Systemen, aufgezeichneten Telefongesprächen und anderen digitalen Kommunikationsinhalten im Kundenkontakt genutzt werden. Die vorgeschlagene Lösung ist darauf ausgelegt, die Datenbestände mit semantischen Analysewerkzeugen zu verarbeiten, für die die von allen Kommunikationskanälen erzeugten Inhalte in ein einheitliches Format umgewandelt werden. Eine weitere wichtige Informationsquelle für das System sind die Metadaten, die über die Inhaltselemente der Kommunikation hinausgehen. Im Rahmen der Forschung wird eine Methodik zur Erzeugung von Metadaten entwickelt, um die Metakommunikationselemente der Kommunikation zu bewerten. Neben aufgezeichneten Gesprächen bieten Messaging-Dienste, aber auch Metadaten, die beim Surfen im Internet entstehen, eine realistische Möglichkeit, Metakommunikationsdaten zu gewinnen. Die daraus resultierenden Datenbanken bilden die Grundlage für unsere Machine Learning-Lösung. Unser Ziel ist es, eine KI-Engine zu entwickeln, die Kunden auf der Grundlage dieser Daten segmentieren kann. Der Zweck der Segmentierung besteht darin, dem Schuldenverwalter einen Hinweis darauf zu geben, bei welchen Kunden die Wahrscheinlichkeit, dass sie beglichen werden, größer ist und bei welchen Kunden die Wahrscheinlichkeit, dass sie nicht beglichen werden, geringer ist. Diese Informationen sind in der Branche von besonderer Bedeutung, da Unternehmen wie Cessio Ltd. weltweit tätig sind, indem sie Forderungsportfolios von verschiedenen Banken und Dienstleistern für einen Bruchteil des Forderungsbetrags aufkaufen und nur dann rentabel sind, wenn sie eine Schuldenregulierung über diesen Betrag hinaus erreichen können. In einem ressourcenbeschränkten Umfeld sei es daher wichtig, aus einem großen Kundenstamm diejenigen auswählen zu können, die eine Forderung eintreiben können.

Da das vorgeschlagene System auf einem psychologischen Profiling der Zielfunktion basiert, ist zu erwarten, dass die gleiche Methodik durch Modifizierung der Zielfunktion auch in anderen Bereichen, wie z. B. Verkauf oder Marketing, erfolgreich angewendet werden kann.

Beginn der Projektdurchführung: 01.01.2020.

Physischer Abschluss des Projekts: 31.12.2022.

Beihilfebetrag: 236 577 360 HUF