เครื่องมือใหม่ KBank แก้ปัญหาหนี้เสีย ใช้ AI ช่วยทวงหนี้

ภาพจำของการติดตามหนี้ที่ผ่านมามักเป็นการโทรศัพท์ที่สร้างความกดดัน แต่ในยุคดิจิทัลที่ข้อมูลกลายเป็นสินทรัพย์ล้ำค่า ธนาคารกสิกรไทย กำลังพลิกโฉมกระบวนการนี้ไปอย่างสิ้นเชิงในงานสัมนนาของ Data Bricks ดร. ธีรวัฒน์ อัศวโภคี, Executive Vice President – Data Intelligence and ITIntegration Division, ธนาคารกสิกร ได้เล่าถึงการนำเทคโนโลยีปัญญาประดิษฐ์ และ Data Intelligence เข้ามาเป็นเครื่องมือสำคัญในการทำความเข้าใจลูกหนี้อย่างลึกซึ้ง และเปลี่ยนการทวงหนี้ ให้กลายเป็นการเสนอทางออกที่มีประสิทธิภาพและตรงจุดยิ่งขึ้นบทความนี้จะพาไปเจาะลึกเบื้องหลังความสำเร็จของ KBank ที่ร่วมมือกับ Databricks บริษัทชั้นนำด้านข้อมูลและ AI ในการแก้ปัญหาหนี้เสีย สร้างผลลัพธ์ทางธุรกิจได้ดีขึ้นที่มาของความท้าทาย เมื่อการติดต่อลูกหนี้ไม่ใช่เรื่องง่ายด้วยฐานลูกค้ากว่า 20 ล้านราย KBank ต้องเผชิญกับความท้าทายในการบริหารจัดการหนี้ที่นับวันยิ่งซับซ้อน ปัญหาหนี้เสีย ไม่ได้ส่งผลกระทบแค่ตัวเลขทางบัญชี แต่ยังสะท้อนถึงปัญหาใหญ่ที่ทีมติดตามหนี้ ต้องเจอในทุกวัน โดยมี Pain Point หลัก 3 ข้อคือปัญหาการติดต่อ ซึ่งข้อมูลการติดต่อของลูกค้าที่ล้าสมัยหรือไม่ถูกต้อง ทำให้การโทรหาเป็นเรื่องยาก อัตราการติดต่อสำเร็จต่ำและมีแนวโน้มลดลงเรื่อยๆทรัพยากรมีจำกัด จำนวนพนักงานไม่สมดุลกับจำนวนลูกหนี้ ทำให้เกิดคำถามสำคัญว่า ควรโทรหาใครก่อน เพื่อให้เกิดประสิทธิภาพสูงสุดการวัดผลกลยุทธ์ที่ขาดประสิทธิภาพ ทีมงานใช้กลยุทธ์หลายรูปแบบ แต่ไม่สามารถชี้ชัดได้ว่าวิธีใดได้ผลดีกับลูกค้ากลุ่มไหน เพราะอะไร ทำให้การปรับปรุงและพัฒนากลยุทธ์เป็นไปได้ช้าความท้าทายเหล่านี้ทำให้ KBank ตระหนักว่าวิธีการแบบเดิมไม่เพียงพออีกต่อไป และนี่คือจุดเริ่มต้นของการนำ Data และ AI เข้ามาเป็นหัวใจสำคัญของการเปลี่ยนแปลงKBank ได้วางรากฐานการใช้ AI อย่างเป็นระบบ โดยแบ่งแนวทางการพัฒนาออกเป็น 3 คลื่น เพื่อให้เห็นภาพการใช้งานที่ชัดเจนWave 1 AI สายวิทย์ (Predictive AI) AI ที่เชี่ยวชาญด้านการวิเคราะห์ข้อมูลเชิงลึกเพื่อ ทำนาย ความน่าจะเป็นต่างๆ เช่น ความเสี่ยงในการผิดนัดชำระ หรือพฤติกรรมการใช้จ่ายของลูกค้าWave 2 AI สายศิลป์ (Generative AI) AI ที่เราคุ้นเคยอย่าง ChatGPT เก่งด้านภาษาและการสื่อสาร ทำหน้าที่เป็นผู้ช่วยในการสรุปและสกัดข้อมูลWave 3 Agentic AI การรวมพลังของสองเวฟแรกเพื่อสร้าง Agent ที่ไม่เพียงแค่คิดวิเคราะห์ แต่สามารถ Take Action และทำงานร่วมกับระบบอื่นได้ครบวงจร ซึ่งกำลังลังอยู่ในช่วงพัฒนาโดย KBank ได้เลือกใช้แพลตฟอร์ม Databricks Data Intelligence เป็นเครื่องมือหลักในการรวมศูนย์ข้อมูลมหาศาลจากหลากหลายแหล่งที่มา เพื่อสร้างข้อมูลเชิงลึก และพัฒนาโมเดล AI ที่ตอบโจทย์ทางธุรกิจแก้ปัญหาทีละจุดด้วยข้อมูลKBank ได้นำ AI และ Data มาประยุกต์ใช้เพื่อแก้ปัญหาทั้ง 3 ข้อของทีม Collection อย่างเป็นขั้นตอน ไม่ว่าจะเป็น1. เพิ่มอัตราการติดต่อด้วย Digital Footprint เพื่อแก้ปัญหาการติดต่อลูกหนี้ไม่ได้ โดยใช้ Big Data วิเคราะห์ Digital Footprint ของลูกค้า เช่น ประวัติการใช้เบอร์โทรศัพท์รับ OTP, เบอร์ที่ใช้ติดต่อ Call Center หรือเบอร์ที่ผูกกับ PromptPay เพื่อสร้าง Phone Confidence Score หรือคะแนนความน่าเชื่อถือของเบอร์โทรศัพท์ ผลลัพธ์คือเบอร์ที่มีคะแนนสูงมีโอกาสติดต่อสำเร็จถึง 77% เทียบกับเบอร์คะแนนน้อยที่สำเร็จเพียง 11% ทำให้ทีมงานสามารถติดต่อลูกค้าได้มากขึ้นอย่างมีนัยสำคัญ2. จัดลำดับความสำคัญและวางแผน Treatment ที่ใช่ เมื่อมีข้อมูลโอกาศในการติดต่อลูกค้าได้แล้ว คำถามต่อไปคือ ควรคุยกับใคร และเสนออะไร?KBank ใช้ AI วิเคราะห์ปัจจัยสำคัญ 2 ด้านคือ ความสามารถในการจ่าย (Ability to Pay) และ ความตั้งใจที่จะจ่าย (Will to Pay) จากนั้นจึงจัดกลุ่มลูกค้าออกมาเป็น Collection Score ในรูปแบบของสี (เขียว, เหลือง, ส้ม, แดง)การจัดลำดับการโทร ทีมงานจะให้ความสำคัญกับกลุ่ม สีแดงและส้ม ก่อน ส่วน กลุ่มสีเขียว ซึ่งมีโอกาสชำระคืนเองสูงถึง 92% ภายใน 12 วัน อาจยังไม่ต้องโทรหาในช่วงแรก เป็นการใช้ทรัพยากรอย่างคุ้มค่าแผน Treatment ช่วยให้ยาที่ถูกขนาน สี ยังช่วยให้ทีมออกแบบยาหรือแนวทางการช่วยเหลือที่เหมาะสมกับลูกค้าแต่ละกลุ่มได้ เช่นลูกค้าที่ มีความตั้งใจจ่ายสูง แต่ความสามารถในการจ่ายน้อย อาจเลือกติดต่อในช่วงวันเงินเดือนออกลูกค้าที่ มีความตั้งใจจ่ายน้อย อาจต้องใช้ยาที่พิเศษขึ้นมาอีกนิด เข่น ข้อเสนอพิเศษเพื่อจูงใจให้กลับมาชำระหนี้3. ติดตามและปรับกลยุทธ์แบบเรียลไทม์ KBank ใช้แดชบอร์ดบนแพลตฟอร์ม Databricks เพื่อติดตามผลของกลยุทธ์ต่างๆ แบบรายวัน ทำให้สามารถเห็นความผิดปกติและลงมือแก้ไขได้ทันที เช่น ครั้งหนึ่งที่อัตราการผิดนัดชำระ พุ่งสูงขึ้น แดชบอร์ดช่วยให้ทีมเจาะลึกจนพบว่าเกิดจากลูกค้ากลุ่มที่เพิ่งหมดมาตรการช่วยเหลือ ซึ่งมียอดชำระสูงขึ้นหลายเท่า ทีมงานจึงสามารถเข้าไปปรับลดภาระและวางแผนเฝ้าระวังลูกค้ากลุ่มนี้ในอนาคตได้อย่างทันท่วงทีผลสำเร็จที่เกิดขึ้น ลดหนี้เสียหลายพันล้านบาทการปฏิวัติกระบวนการติดตามหนี้ด้วย Data และ AI ครั้งนี้สร้างผลกระทบเชิงบวกมหาศาลให้กับ KBank ไม่ว่าจะเป็นลดความเสียหายได้หลายพันล้านบาท การใช้โมเดล AI บริหารความเสี่ยงช่วยให้ธนาคาร ลดค่าเผื่อหนี้สงสัยจะสูญ (Expected Loss) ลงได้หลายพันล้านบาทลดอัตราหนี้เสียลง 20% อัตราการที่หนี้ดีกลายเป็นหนี้เสีย ลดลงโดยรวมประมาณ 20%ท้ายที่สุด ดร. ธีรวัฒน์ สรุปว่า การใช้ Data และ AI ของธนาคารกสิกรไทยคือการนำนวัตกรรมมาประยุกต์ใช้ใน use case จริงเพื่อสร้างผลกระทบต่อธุรกิจ ซึ่งสะท้อนให้เห็นว่าเทคโนโลยีจะไร้ความหมายหากไม่ถูกนำไปใช้แก้ปัญหาและลงมือทำอย่างถูกวิธีการเดินทางของ KBank เป็นเครื่องพิสูจน์ว่า การเปลี่ยนมุมมองจากการ ทวงหนี้มาเป็นการ ทำความเข้าใจและยื่นเสนอทางออกที่เหมาะสม โดยมีข้อมูลและ AI เป็นเข็มทิศ คือหนทางสู่ความสำเร็จที่ยั่งยืนสำหรับสถาบันการเงินในยุคดิจิทัลที่มางานสัมนา Data Bricks⭐️Techhub รวม How To , Tips เทคนิค อัปเดตทุกวันกดดูแบบเต็มๆ ที่ www.techhub.in.th