Меня зовут Евгений, я – директор по продукту в IT-компании, которая занимается цифровизацией ЖКХ и автоматизирует рутинные процессы в управляющих организациях. 

Это моя первая статья на Хабре, в будущем продолжу делиться мыслями и кейсами на стыке сфер IT и ЖКХ. 

Для начала сделаю небольшой экскурс в сферу ЖКХ, чтобы кейс был понятнее.

Я занимаюсь развитием продуктов для управляющих компаний, составляющих цифровую экосистему: 

• IT-платформа для УК, CRM и система управления заявками жителей

• мобильные приложения и веб-кабинеты для сотрудников и жителей 

• контакт-центр

Основной источник дохода для управляющих организаций — коммунальные платежи. Когда дебиторская задолженность жителей начинает расти, это становится проблемой. 

Один из рабочих способов возвращать дебиторку – обзванивать должников и напоминать о необходимости вносить квартплату. Это можно делать силами УК, а можно привлекать аутсорсинговый контакт-центр, такой, как наш. Важно соотнести трудозатраты и результаты, которые будут на выходе. 

Но такой вариант – это работа с последствиями проблемы. Чем возвращать накопившееся долги – лучше предотвращать их появление. Чтобы выявить ключевые факторы образования дебиторской задолженности, к исследованию мы подключили компанию, которая занимается анализом бизнес-процессов методами процессной аналитики (Process Mining).  

Возникновение дебиторской задолженности – это сложное явление из области поведенческой экономики и психологии. Существует много причин, влияющих на появление долгов, при этом степень их воздействия может быть разной. Нет единственного фактора, от которого на 100% зависит решение проблемы с долгами жителей, и нет смысла его искать. 

В этой статье расскажу, как мы проверили гипотезу о наличии зависимости дебиторской задолженности от SLA (Service Level Agreement). 

Под SLA будем понимать нормативы, отражающие представления УК о том, как должны обслуживаться клиенты. SLA включает в себя несколько важных показателей: срок принятия заявки клиента в работу, срок выполнения заявки, маршрут выполнения заявки. УК следит за соблюдением SLA и считает, что с обслуживанием клиентов все в порядке, если не было нарушений SLA.

Плановые обращения – это заявки клиентов, связанные с регулярным обслуживанием многоквартирного дома. Они не требуют от клиента дополнительной оплаты сверх регулярных платежей и не приносят УК дохода. Однако соблюдение SLA может влиять на отношение клиентов к УК, в том числе на дисциплинированность при оплате квитанций за ЖКХ и на возможное возникновение задолженности.

Ниже мы сформулируем предположение в виде статистической гипотезы и проверим ее с помощью методов процессной аналитики, которые позволяют исследовать процесс по его цифровому следу. В качестве исходных данных использованы журналы событий диспетчерской системы, где регистрируются все действия при работе с обращениями клиентов, и учетная система УК, где фиксируется задолженность жителей. 

Гипотеза о наличии зависимости дебиторской задолженности от SLA опирается на предположение, что клиент реагирует на нарушения SLA со стороны УК снижением своей обязательности по своевременной оплате услуг УК, то есть задолженность – это реакция клиента на качество работы УК по его заявкам. Если УК не нарушает SLA, то клиент платит вовремя.

Исходные данные

Источниками данных для проверки гипотезы являются выгрузки из диспетчерской и учетной систем УК за шесть месяцев.

В качестве дебиторской задолженности (ДЗ) учтены только текущие долги (менее 31 дня) в бинарном виде (0 – нет задолженности, 1 – есть). Ограничение по сроку сделано из предположения, что задолженность более 31 дня имеет иную природу, отличную от текущей реакции клиента на качество работы УК по его обращениям. В расчет взяли величину долга более 1 000 рублей.  

В качестве SLA использованы временные и процессные метрики:

• SLA1 – срок принятия заявки в работу (норматив – 1 сутки),

• SLA2 – срок выполнения заявки (норматив – 3 суток),

• SLA3 – маршрут выполнения заявки (норматив – список «правильных» маршрутов, когда принятая заявка сразу же отправляется к нужному исполнителю, а не кочует от одного к другому). 

Показатели SLA, как и дебиторская задолженность, взяты в бинарном виде (0 – нет нарушений норматива, 1 – есть). Такой набор SLA используется в повседневной работе УК.

Для анализа и проверки гипотезы необходимо объединить данные по заявкам клиентов, имеющие событийный характер, с периодическими данными по задолженности. Эта процедура требует учета хронологии между датами выполнения заявок и датами фиксации задолженности, выбора методик обобщения для каждого клиента показателей SLA по разным заявкам и ДЗ на разные даты.

В результате мы подготовили набор данных по 12 916 клиентам, которые обращались в УК с заявками. Среди них у 9 758 клиентов задолженности не было (75.5%), а у 3158 – была (24.5%). 

Также долги были у 4 559 клиентов, которые вообще не обращались в рассматриваемый период в УК с обращениями. Их мы не будем учитывать при проверке гипотезы. Это обстоятельство подтверждает, что на возникновение задолженности влияет несколько факторов, и уровень обслуживания является лишь одним из них. 

Методология исследования

Проверку гипотезы о наличии зависимости дебиторской задолженности от SLA выполним для каждого показателя SLA в отдельности. Рассмотрим процедуру проверки на примере SLA2 – срок выполнения заявки.

Среди 12 916 клиентов в подготовленном наборе данных нарушения SLA2 были в отношении 8 247 клиентов (63.9%), а в отношении 4 669 клиентов (36.1%) –  нарушений не было.

Мы разделили клиентов на две одинаковые группы – группа А, где SLA2 не был нарушен, и группа В, где нарушения SLA2 были. Размер групп A и B определяется с помощью power analysis и составляет 3 660 клиентов в каждой. 

Обозначим долю клиентов в группе A, которые имели ДЗ как PA, а в группе В – PB. Сформулируем нулевую (H0) и альтернативную (H1) статистические гипотезы:

H0: PA = PB (доля клиентов с ДЗ не зависит от SLA),

H1: PA ≠ PB (зависимость доли клиентов с ДЗ от SLA есть).

Проверку выполним двусторонним Z-тестом. Количество данных достаточно, чтобы повторить проверку несколько раз и обобщить результаты.

Отклонение нулевой гипотезы в пользу альтернативной означает, что доли клиентов с ДЗ в группах, где были нарушения SLA2 и где их не было, значимо различаются и зависимость ДЗ от SLA2 есть.

Полученные результаты

Доли клиентов с ДЗ в группах B и A различаются статистически значимо и можно говорить о влиянии SLA2 на возникновение ДЗ. Однако величина этого различия в абсолютном выражении невелика – порядка 2.7%.

Как можно интерпретировать такой результат? Количество клиентов с ДЗ > 1 000 руб. в группе B, где нарушали SLA2, составляет 254 из 1 000. В группе A, где не нарушали SLA2, 227 из 1 000. При уменьшении на 1 000 количества клиентов, в отношении которых нарушали срок выполнения заявок в 3 суток (SLA2), число клиентов с ДЗ > 1 000 руб. должно сократиться на 27. 

Рассматривая разницу между группами PB и PA как различительную способность SLA2 и варьируя значение норматива SLA2 (до этого оно было фиксировано и равно 3 суток), можно найти оптимальное значение норматива SLA2 по величине наибольшей различительной способности. В нашем случае оптимальным значением нормативного времени выполнения заявок (SLA2) будет 2, а не 3 суток, с разницей между группами PB и PA в 2.9%. 

Аналогичные расчеты были сделаны для SLA1  (срок принятия заявки в работу) и в результате получено, что различительная способность SLA1 сопоставима с SLA2. Она составляет 2.8% и является статистически значимой. Оптимальное значение SLA1 составляет 9–12 часов, а не 1 сутки. 

Расчеты для SLA3 (маршрут выполнения заявки) показали недостаточность данных при формировании выборки для теста, а на имеющихся данных зависимость ДЗ от SLA3 обнаружить не удалось (различительная способность составила порядка 1.9%, но статистические показатели, хотя и были близки к граничным значениям, не позволили отклонить нулевую гипотезу).

Выводы

1. Зависимость дебиторской задолженности от временных SLA1 (срок принятия заявки в работу) и SLA2 (срок выполнения заявки) есть, и она статистически значима. При этом различительная способность SLA1 и SLA2 невелика – на уровне 2.7% от размера выборки.

Причина низкой различительной способности SLA – сложность и многофакторность проблемы возникновения задолженности. Тем не менее, наличие зависимости и даже минимальную различительную способность можно интерпретировать и использовать на практике. Уменьшая количество клиентов, в работе с которыми нарушали срок выполнения заявок, можно добиться сокращения числа клиентов с ДЗ и предотвратить их появление.

2. Прямая зависимость ДЗ от процессного SLA3 не подтвердилась, однако SLA3 может быть полезен своей связью с SLA1. 

Выбранные SLA просты и логичны с точки зрения бизнеса, но не идеальны с позиций Process Mining, так как являются взаимозависимыми. Что это значит? В случае нарушения SLA1 (обращение не принято в работу вовремя) в 85% случаев SLA2 (заявка не выполнена вовремя) тоже будет нарушен. 

Если вовремя не приняли заявку в работу, то и выполнить ее в нормативные сроки не удастся.

В случае нарушения SLA3 (процесс выполнен с отклонениями от «правильного» маршрута) в 80% случаев будет нарушен и SLA2 (заявка не выполнена вовремя). Это ожидаемо, так как в нарушение SLA3 попадают экземпляры процесса, когда несколько раз менялся исполнитель или заявка открывалась повторно – все это сказывается на сроках выполнения. 

Если стабилизировать процесс и выполнять его по «правильным» маршрутам, можно улучшить соблюдение SLA1 и выполнять заявки в нормативный срок.