W przypadku komunikatu o zajętości lub niedostępności abonenta, numer wraca do kolejki i zostaje ponownie wybrany w późniejszym czasie. Rozpoznawanie połączeń z automatami jest prawie tak skuteczne jak rozwiązania oferowane przez liderów oprogramowania call center, z drugiej strony okazało się to znacznie od nich tańsze. Po trzech miesiącach pracy powstał system, który stopniowo był ulepszany. Jego skuteczność jest tylko nieznacznie gorsza od najlepszych tego typu rozwiązań implementowanych w praktyce (ok. 96%), a wykorzystujących skomplikowane rozwiązania sprzętowe oraz własnościowe algorytmy. Koszty były za to ponad rząd wielkości niższe, dzięki wykonaniu aplikacji samodzielnie. "Gdy szukaliśmy systemu PDS, otrzymaliśmy oferty rozwiązań kosztujących ponad milion złotych w zakupie i bardzo drogich w utrzymaniu. Zdecydowaliśmy się na budowę PDS samodzielnie. Dokupiliśmy API do centrali Avaya, opracowaliśmy aplikacje i dogłębnie je przetestowaliśmy, stopniowo usuwając braki. Chociaż nie mamy tak dobrej detekcji, jak topowe rozwiązania Cisco czy Avaya, to jednak różnica kilku procent jest akceptowalna dla biznesu" - stwierdza Łukasz Neuman.

System zarządzania kolejką call center nadal jest bardzo ważnym elementem - podobnie jak poprzednio menedżer określa najważniejsze priorytety, takie jak saldo, klient oraz inne kryteria. System przewidujący prawdopodobieństwo zastania dłużnika (moduł Optima) może z kolei podnieść ranking wieloparametrowej funkcji. Zatem jeśli dane o kliencie przetworzone statystycznie oraz informacje z Papugi wskazują na to, że najlepszą porą kontaktu jest wieczór, system odpowiednio umieści połączenia w kolejce. Z kolei ustaleniem optymalnej pory kontaktu zajmuje się specjalizowane oprogramowanie, które wykorzystuje sztuczną inteligencję. W rezultacie powstał system klasy PDS dodatkowo wyposażony w moduł sztucznej inteligencji i głęboko zintegrowany z systemem windykacyjnym spółki.

Optima znajdzie igłę w stogu siana

Dane na temat kontaktów zapisywane w systemach okazują się cennym źródłem informacji, jeśli tylko firma potrafi z nich skorzystać. W KRUK SA dokonywano dogłębnych analiz, które doprowadziły do powstania systemu wspierającego call center i umożliwiającego dalsze usprawnienie kontaktu z dłużnikami. Utworzono model z użyciem algorytmów sztucznej inteligencji, który przeanalizował wiele cech behawioralnych dłużnika (wiek, lokalizację, saldo zadłużenia, historię kontaktu i wiele innych informacji). Dzięki temu z ogromu zapisów pozyskano ważne informacje o czasie, kiedy prawdopodobieństwo zastania danej grupy osób w domu jest najwyższe. Wynikłe stąd istotne statystycznie prawidłowości określone przez modele data mining przekładały się na zestawy wag przypisywanych dłużnikom, oddając prawdopodobieństwo zastania danego dłużnika o różnych porach dnia. Utworzony w ten sposób ranking znacząco usprawnił kolejkę. Powstało przy tym sporo ciekawych zależności - w wyniku tego wiadomo, że dla danej grupy dłużników prawdopodobieństwo dodzwonienia się w określonych godzinach jest największe. Model wykorzystujący sztuczną inteligencję, pracujący w module Optima, okazał się skomplikowany, ale wysoce skuteczny, wygrywając nawet z popularnymi sieciami Kohonena i innymi szeroko stosowanymi algorytmami eksploracji danych.