AI-система автообдзвону для стягнення заборгованості (колекшн)

Розробка AI-системи автообдзвону для стягнення заборгованості (колекшн)

Колекшн-відділи витрачають до 70% часу на додзвін і перевірки за 230-ФЗ. AI-автообдзвон замінює операторів на ранніх стадіях прострочення (DPD 1–30): голосовий бот сам інформує про борг, пропонує варіанти погашення та фіксує Promise to Pay (PTP). Типова ситуація: оператор витрачає хвилину на привітання та перевірку даних, а після 18:00 дзвінки заборонені. AI-бот обробляє 1000 контактів за 2–4 години без перерв і помилок. При цьому голосовий бот адаптується під акцент та інтонацію боржника, що підвищує відсоток PTP на 15–20% за нашими даними. Наш досвід — понад 5 років в AI-рішеннях для фінтеху, 30+ впроваджених систем. В одному з проєктів для МФО з портфелем 30 000 активних боржників впровадження AI-обдзвону знизило навантаження на кол-центр на 60% за перший місяць, а відсоток PTP зріс з 12% до 18%.

Як AI-автообдзвон дотримується 230-ФЗ?

Закон №230-ФЗ суворо регулює частоту та час дзвінків боржникам. Система автоматично перевіряє кожне з'єднання:

from datetime import time CALL_RESTRICTIONS = { "weekdays": (time(8, 0), time(22, 0)), "weekends": (time(9, 0), time(20, 0)), "max_calls_per_day": 1, "max_calls_per_week": 2, "max_calls_per_month": 8, } async def check_call_allowed(debtor_id: str) -> tuple[bool, str]: now = datetime.now() contact_history = await db.get_contact_history(debtor_id) current_time = now.time() window = CALL_RESTRICTIONS["weekdays"] if now.weekday() < 5 else CALL_RESTRICTIONS["weekends"] if not (window[0] <= current_time <= window[1]): return False, "outside_allowed_hours" today_calls = sum(1 for c in contact_history if c["date"].date() == now.date()) if today_calls >= CALL_RESTRICTIONS["max_calls_per_day"]: return False, "daily_limit_exceeded" if await is_in_stoplist(debtor_id): return False, "in_stoplist" return True, "allowed" 

Додатково модуль compliance відстежує зміни в законі та оновлює правила без зупинки сервісу. Ми гарантуємо, що система завжди відповідає актуальним вимогам 230-ФЗ.

Для розпізнавання мови використовується Whisper, а діалоговий двигун побудований на GPT-4o-mini з fine-tuning на історичних записах. Латентність p99 не перевищує 800 ms завдяки оптимізованому пайплайну та batch-обробці.

Чому AI ефективніший за ручні обдзвони?

AI стабільніше обробляє однотипні сценарії, не втомлюється та не допускає людських помилок на кшталт пропуску стоп-листа. Додатково система логує кожну взаємодію для подальшого аудиту.

Як скрипти адаптуються під DPD-стадію?

COLLECTION_SCRIPTS = { "dpd_1_7": """ Здравствуйте, {name}! Это компания {creditor}. По вашему договору {contract_id} образовалась просроченная задолженность {amount} долларов. Пожалуйста, погасите её до {payment_deadline}. Вы планируете оплатить в ближайшее время? """, "dpd_8_30": """ Здравствуйте, {name}. Вам звонят из {creditor}. Задолженность по договору {contract_id} составляет {amount} долларов, просрочка {dpd} дней. Начисляются пени {penalty_rate}% в день. Мы готовы рассмотреть удобный для вас план погашения. Вы можете оплатить сегодня? """, } 

Адаптація скрипта під конкретний портфель (суми, тональність, юридичні формулювання) займає 1–2 дні. Ми використовуємо few-shot промпти для швидкого налаштування без перетренування моделі.

Фіксація PTP та планів розстрочки

@dataclass class PromiseToPay: debtor_id: str contract_id: str promised_amount: float promised_date: date call_id: str confirmed: bool = False async def process_payment_commitment( session: dict, user_response: str ) -> PromiseToPay | None: extraction = await client.chat.completions.create( model="gpt-4o-mini", messages=[{ "role": "system", "content": "Извлеки обещание об оплате из текста. JSON: {'date': 'DD.MM', 'amount': N, 'full': bool}" }, {"role": "user", "content": user_response}], response_format={"type": "json_object"} ) data = json.loads(extraction.choices[0].message.content) if data.get("date"): ptp = PromiseToPay( debtor_id=session["debtor_id"], contract_id=session["contract_id"], promised_amount=data.get("amount", session["total_debt"]), promised_date=parse_date(data["date"]), call_id=session["call_id"] ) await db.save_ptp(ptp) return ptp return None 

Витягнуті PTP автоматично потрапляють у CRM: менеджер бачить обіцяну дату та суму, при несплаті система ініціює повторний дзвінок. Інтеграція з 1С та Bitrix24 — у базовій поставці. Для захисту від hallucination налаштована валідація через chain-of-thought промпти.

Що входить у послугу

• Аудит поточного колекшн-процесу — аналіз скриптів, compliance, каналів зв’язку.
• Розробка voice-сценаріїв — під DPD-стадії, з A/B тестуванням.
• Інтеграція з CRM та АТС — REST API, webhook, SIP-з’єднання.
• Навчання моделі — fine-tuning GPT-4o-mini на історичних записах дзвінків.
• Пілотний запуск — 500–1000 боржників, 2 тижні, звіт з метриками.
• Документація та підтримка — опис API, інструкція оператора, SLA 8/5.

Процес роботи

1. Аналітика — розбираємо ваш портфель прострочки, скрипти та інфраструктуру (1 тиждень).
2. Проєктування — архітектура сценаріїв, compliance-правила, інтеграційні схеми (1 тиждень).
3. Реалізація — розробка голосового бота, налаштування NLP-пайплайну, підключення до PBX (2–3 тижні).
4. Тестування — QA на синтетичних і реальних дзвінках, юстировка тональності (1 тиждень).
5. Деплой та моніторинг — розгортання на ваших серверах або в хмарі, налаштування логів та алертів (3 дні).

Терміни

Базова версія (один сценарій, один DPD-слайс) — 3–4 тижні. Повна система з PTP-трекінгом, мультислайсами та інтеграцією — близько 2 місяців. Точний термін визначаємо після аудиту.

Зв'яжіться з нами для проведення безкоштовного аудиту вашого колекшн-процесу. Замовте пілотний проєкт — переконайтеся в ефективності AI-обдзвону на своїй базі. Оцінимо проєкт протягом 2 робочих днів.