在今年一月, B2B违约率达到了7的纪录,100万家有逾期债务的公司, 总和, 总计为154雷亚尔,90亿 – 一个4雷亚尔的增加,相较于上个月增加了30亿. 这里我们在谈论31,在该国活跃的企业中有4%. 这是由Serasa Experian收集的数据, 在那个月达到了该调查历史系列记录的最高量, 自2016年以来每月进行. 为了让人有个概念, 在2024年1月，这个数字是6,700万，并在全年巩固了增长趋势.
这个场景只是一个例子，说明企业之间的违约情况总体上呈现出值得关注的演变和, 当然, 有效行动. 工业部门, 尽管在这一逾期付款的现实中占比更小（8%对比52%,4%的服务和35,3%的商业, 也面临着信贷回收方面的重大挑战.
事实是, 当延误没有得到妥善控制时, 可能严重影响现金流, 减少投资能力甚至提高财务成本, 如果有必要在不利的利率条件下借款.
这使我们开始关注针对违约的不同防线, 从信用分析到采用的收费模型. 毕竟, 在工业4.0巩固的时刻.0已经指向一个未来5.0, 有必要从同一视角讨论传统收费模式与技术带来的新可能性之间的比较.
传统模型缺乏自动化
自然地, 当我们谈论传统模型时，并不是指几乎完全不再使用的实践, 如何通过信件或亲自派人送达. 至少在我们谈论中型和大型企业使用的大规模高效催收流程时不是这样. 我们可以说传统模型是那些, 尽管在某种程度上已经是数字化的, 仍然没有有效地利用现代技术资源所允许的所有能力.
基于老化列表的电话拨打时间表 – 一份按逾期时间整理的拖欠客户名单 – 这可能是最基本的例子. 从此开始, 我们可以转向数字渠道电子邮件, WhatsApp和短信. 发生在没有基于自动化和这些渠道的全面整合的策略时, 这将只是电话模型的简单转换. 更灵活、更可扩展肯定是的, 但是, 尽管如此, 未达到其最大潜力.
我们需要从理解出发, 在B2B信用恢复中, 接触的动态需要聪明和有针对性. 这是一种更为复杂的收费方式, 面向信息丰富的专业人士, 更愿意在更复杂的条款和条件下进行重新谈判. 这样, 个性化和数据智能成为提高该行业催收结果的关键词. 这需要新的资源.
新收费模式带来的进展
新的收费模型是基于使用人工智能工具的策略和战术, 预测算法和自动化. 是能够准确应对不同违约模式的行动方式.
一个例子是“数字优先”的概念, 一种优先考虑数字渠道作为联系和服务方式的方法. 这不仅带来了更高的效率和成本优化，还满足了公众的需求, 越来越喜欢数字服务的便利性和灵活性. 这个概念的基础是电子邮件等渠道, 短信, WhatsApp和社交媒体, 与聊天机器人和虚拟助手技术相结合.
数字优先方法的结构化需要包括客户旅程映射等步骤, 流程自动化, 渠道定义和数据分析. 这需要一个强大的基础设施, 具有高级功能, 特别是在处理大量信息的能力方面, 数据湖和机器学习解决方案. 在我们在全球的经验中, 我们已经证明，这一资源组合远远超出了优化催收结果的范围, 因为它还带来了预测分析能力, 从而可以制定策略和计划提前采取行动，以减轻违约风险.
服务应继续保持人性化
随着技术的广泛应用和信息的不断交叉, 有效整合所有这些资源对于其最大化利用和最重要的目标，即降低违约率，变得至关重要. 但完全整合也是解决数字收费渠道常见悖论的最佳方式：人们更喜欢这种自动化的方式, 但他们不想放弃人性化的服务, 下一个和个性化.
单纯采用数字渠道和与数据智能脱节的自动化是不够的. 看看一个良好整合的结构可以做什么. 假设一个数字解决方案通过自动消息进行接触. 通过聊天机器人开始谈判，提供一些为该客户优化的条件选项. 那么, 面对反提议, 该工具理解响应的复杂性，并将该服务扩展到人类, 流畅地, 也许对另一边的人来说是不可察觉的.
这样的操作在实践中代表着更高的成功率, 为什么不抓住与对话开放所带来的机会, 不繁琐化服务, 不要让客户等待, 别让他去访问其他频道. 一切都在同一个联系中解决.
为什么新模型对行业更好?
许多工业部门的特性和面临的违约类型证明了现代化其催收模式的紧迫性. 该行业的高交易额要求更复杂的合同和付款条件, 因此, 一个理解不同协议的收费.
长期付款期限是另一个因素, 由于延误影响生产计划, 任何行业战略的核心部分, 而减轻这一风险需要在信用恢复方面的灵活性. 季节性, 这对许多行业产生了强烈影响, 这是一个非常具体的问题，影响财务规划，必须在催收策略中考虑, 尤其是, 在预测模型中.
提供灵活性, 精确, 定制和一致的结果依赖于诸如人工智能和高度精细的数据分析等技术. 只有新的和现代的收费模式才能提供的资源.
最后, 需要记住基础知识, 在制定战略时，古老和新兴模型都无法忽视的一点是：收费就是关系. 数字和自动化技术应始终专注于追求更好的关系. 没有这种指导和对每种方法的极端关注, 结果永远不会令人满意.
