Vea cómo funciona RapidCanvas.
Reserve una demostración
Las devoluciones de cargo -las disputas que los clientes plantean a sus proveedores de tarjetas de crédito o bancos- son un quebradero de cabeza. Un proveedor líder de soluciones de gestión de devoluciones de cargo depende actualmente del procesamiento manual de disputas y se enfrenta a retos de costes operativos y toma de decisiones subjetivas basadas en la formación del equipo. Se embarcaron en una iniciativa basada en datos para optimizar su proceso de resolución de disputas. Aprovechando los modelos de aprendizaje automático, la empresa pretende automatizar la clasificación de los litigios, asignando eficazmente los recursos mediante la identificación de los casos más adecuados para la automatización. Esta iniciativa puede mejorar significativamente la tasa de éxito en la resolución de litigios y ampliar las operaciones.
1. Introducción de datos y formación de modelos
La empresa integró su conjunto de datos históricos, compuesto por miles de casos resueltos, en la plataforma RapidCanvas AutoAI. Esto incluía detalles como códigos de motivo de la disputa, categorías de comerciantes, importes de la disputa, divisas y tipos de tarjeta. También se incorporaron los detalles de la resolución: resultado de victoria/pérdida y tiempo hasta la resolución.
Estos datos, una vez depurados y procesados, se utilizaron para entrenar un modelo ML basado en los aprendizajes codificados a través de todas las resoluciones de casos anteriores. Se analizaron los datos integrados y se rastrearon patrones en los casos para juzgarlos ganables.
2. Integración perfecta con los sistemas existentes
El proveedor de soluciones de devoluciones de cargo utiliza un sistema interno para gestionar las devoluciones de cargo, en el que se recopilan datos para cada caso. Una vez entrenado, el modelo ML de RapidCanvas se integró con este sistema interno y el modelo ayuda a asignar una puntuación de ganabilidad para cada caso. La puntuación se muestra directamente en el panel de control de la empresa y ayuda a los analistas de devoluciones a priorizar los casos.
3. Predicción del porcentaje de victorias
El modelo entrenado genera probabilidades de éxito en tiempo real para cada nuevo caso, que van de "bajo" a "alto". Esto permite al equipo priorizar los esfuerzos en los casos con mayor potencial de éxito en la defensa. Junto con la probabilidad, también se destacan los factores clave que influyen en la predicción para mejorar la transparencia y la toma de decisiones. A medida que se disponía de nuevos datos, el modelo se actualizaba continuamente para mantener su precisión.
4. Análisis de casos perdidos
También se llevó a cabo un análisis de los casos perdidos para identificar las razones recurrentes de las devoluciones de cargo rechazadas, especialmente en los casos en los que las características de un caso perdido coincidían mucho con un caso que tuvo éxito.
Conuna estimación precisa de la capacidad de ganar litigios de cada caso, el tiempo dedicado también podía asignarse en consecuencia. Los casos con alta probabilidad de ganar y los de baja probabilidad se resolvieron con decisiones automatizadas al frente , mientras que los casos con probabilidad media serían en los que se centrarían los analistas para obtener mejores resultados. El equipo vio reducido en un 50% el tiempo operativo dedicado a revisar el mismo número de casos. La asignación de casos entre agentes senior y junior también se realiza de forma más eficiente y en función de la facilidad del caso.
Conla información obtenida del análisis de los casos perdidos, los analistas de devoluciones de cargo pueden abordar los litigios con mayor confianza, mejorando potencialmente los índices generales de éxito.
Alanalizar tanto los casos ganadores como los perdedores en un proceso basado en modelos y basado en datos, los comerciantes obtienen información valiosa.
Con un modelo de IA que detecta patrones y aprende con el tiempo, se puede automatizar la revisión de casos de combinaciones conocidas de factores, introduciendo un paso de validación manual para verificar la evaluación del modelo. Esto reduce la carga de trabajo manual para casos similares.
Laspredicciones objetivas eliminaron los sesgos subjetivos y fomentaron una toma de decisiones informada a lo largo del proceso de resolución de disputas por devoluciones de cargo.
La IA permite al proveedor gestionar grandes volúmenes de casos de forma eficiente, con un uso más eficaz de los recursos.
Con esta implantación, la empresa pretende aumentar su tasa global de ganancias, impulsando la recuperación de ingresos y la satisfacción del cliente.
Al sustituir las evaluaciones subjetivas por perspectivas basadas en IA, el proveedor de soluciones de gestión de devoluciones de cargo transformó su enfoque de gestión de devoluciones de cargo. RapidCanvas permitió a la empresa predecir con precisión las tasas de ganancias, optimizar la asignación de recursos y, en última instancia, recuperar más ingresos al tiempo que ampliaba sus operaciones de forma eficaz. Este caso práctico ejemplifica el poder transformador de la IA a la hora de abordar retos empresariales complejos y desbloquear nuevos niveles de eficiencia y crecimiento.
.svg)
.svg)
