Anforderungsworkshop
Welche Datenfelder liegen vor, welche Fragen sollen beantwortet werden, woran wird Erfolg gemessen.
Predictive Analytics
Prognosen für jede Akte, ohne Modelltraining
Wann ist jemand erreichbar, auf welchen Kanal reagiert er, hält er seine Zusage? Pace beantwortet diese Fragen für jede offene Akte mit Tabular Foundation Models.
Vorschläge für heute
AkteKanalZeitfensterPriorität
AZ-2026-1183AnrufDi, 17–20 UhrHoch
AZ-2026-1421AnrufDi, 8–11 UhrHoch
AZ-2026-0847SMSDi, 11–14 UhrMittel
AZ-2026-0655E-MailMi, 8–11 UhrMittel
AZ-2026-0912Kein Kontaktdiese WocheZahlt voraussichtlich
Nächtlicher Lauf über alle offenen Akten
Beispieldaten
Beispiele
Was eine Prognose im Alltag ändert
Wann ist jemand erreichbar?
Ein Anruf um 10 Uhr bei jemandem, der tagsüber arbeitet, kostet Agentenzeit und Telefongebühren und bringt nichts. Das Modell schätzt für jedes Zeitfenster, ob ein Anruf angenommen wird, und schlägt das beste vor.
Liest Zeitpunkte früherer Anrufversuche · angenommene und verpasste Anrufe · Rückrufe
AZ-2026-1183 · Annahme je Zeitfenster
8–1111–1414–1717–20
Mo
Di
Mi
Do
Fr
Vorschlag: Dienstag, 17–20 Uhr
Beispieldaten
Auf welchen Kanal wird reagiert?
Manche reagieren auf eine SMS am selben Tag und nehmen nie ab, andere öffnen keine E-Mail. Das Modell schätzt je Kanal, ob eine Reaktion kommt. Wo eine Nachricht reicht, muss niemand anrufen.
Liest Reaktionen auf frühere Briefe, SMS und E-Mails · geöffnete Zahlungslinks · vorhandene Kontaktdaten
AZ-2026-0847 · Reaktion je Kanal
Vorschlag: SMS mit Zahlungslink, Dienstag 11–14 Uhr
Beispieldaten
Wird die Zusage eingehalten?
Eine Ratenzusage ist erst etwas wert, wenn die Rate kommt. Der Agent erinnert nur dort, wo eine Zahlung wackelt, und lässt die anderen in Ruhe.
Liest frühere Zusagen und Zahlungen · Höhe der Rate · Zeit seit dem letzten Kontakt
Offene Zusagen · diese Woche fällig
AZ-2026-0533120 € am 12.11.0,86Keine Erinnerung
AZ-2026-129080 € am 12.11.0,38SMS zwei Tage vorher
AZ-2026-0718250 € am 13.11.0,74Keine Erinnerung
AZ-2026-104750 € am 14.11.0,29Anruf am Vortag
Wahrscheinlichkeit, dass die Rate pünktlich kommt
Beispieldaten
Wo greift die Ansprache im Portfolio?
Für ein übernommenes Portfolio summieren sich die Prognosen je Akte zu Kennzahlen je Segment. Daran sehen Sie früh, welche Teile des Bestands auf Ansprache reagieren und wohin die Kapazität Ihres Servicings gehen sollte. Den Kaufpreis bestimmen Sie; die Kennzahlen steuern das Servicing.
Liest den importierten Bestand · Kontaktversuche und Ergebnisse seit der Übernahme
Portfolio 2026-B · Prognose je Segment
SegmentAktenKontaktrateZusagenEingehalten
Telekommunikation3 11038 %21 %67 %
Versandhandel2 64044 %26 %71 %
Konsumentenkredit1 87029 %14 %58 %
Sonstige80022 %11 %52 %
Erwartete Quoten aus den Prognosen je Akte
Beispieldaten
Tabular Foundation Models
Der Aufwand entsteht einmal, nicht je Mandant
Ein klassisches Modell wird für jeden Mandanten neu gebaut: Merkmale definieren, Parameter suchen, kalibrieren, warten. Ein Tabular Foundation Model ist auf Millionen von Tabellen vortrainiert und bekommt Ihre abgeschlossenen Akten als Kontext.
| Kriterium | Klassisches Machine Learning | Tabular Foundation Model |
|---|---|---|
| Training je Mandant | erforderlich | entfällt |
| Hyperparameter-Tuning | oft Stunden bis Tage | entfällt |
| Datenbedarf für stabile Ergebnisse | tausende Zeilen | ab wenigen hundert Zeilen |
| Zeit bis zur ersten Prognose | Tage bis Wochen | Minuten |
| Wenn sich der Bestand verändert | neu trainieren | Kontext aktualisieren |
| Erklärbarkeit | etabliert | Methoden in Entwicklung |
5 von 6
Fragen, bei denen ein Foundation Model vor dem besten getunten klassischen Modell lag, bei zweien über die Messunsicherheit hinaus
+0,173
AUC durch eine vollständige Datenlieferung, gegenüber +0,018 durch die Wahl des Modells
Benchmark auf 5.000 synthetischen Inkassofällen, Stand 24.09.2026, beschrieben im Whitepaper. Ob eine bessere Prognose mehr Rückfluss bringt, zeigt erst ein Test mit Kontrollgruppe auf Ihren Akten.
Kontrolle
Das Modell schlägt vor, Ihre Sachbearbeitung entscheidet
Jeder Vorschlag steht mit seiner Begründung im Co-Pilot und lässt sich überstimmen. Ob eine Forderung besteht und was aus ihr folgt, darüber sagt eine Prognose nichts.
- Innerhalb Ihrer Regeln
- Fristen, Kontaktsperren und Eskalationsstufen bleiben unverändert; das Modell wählt nur zwischen zulässigen Maßnahmen.
- Keine Bonitätsbewertung
- Die Modelle sagen Kommunikationsverhalten voraus und treffen keine Aussage zur Kreditwürdigkeit.
- Kein Training auf Ihren Daten
- Die Modelle laufen auf CPU in der Pace-Umgebung auf Azure in der EU.
Einstieg
Ein Monat auf Ihren eigenen Akten
Begonnen wird dort, wo ein Fehler wenig kostet: bei Kanal, Zeitpunkt und Zusagen. Eine falsch gewählte SMS kostet ein paar Cent, ein falsch bewertetes Portfolio sehr viel mehr.
Proof of Concept
Einen Monat lang läuft die Ansprache nach Prognose neben dem bisherigen Prozess, auf Ihren eigenen Akten.
Ergebnis in Euro
Kontaktrate, Zusagen, Rückfluss und Leeranrufe im Vergleich, gegen die Kosten des Einsatzes gerechnet.
Mehr von der Plattform
-
Co-Pilot
Der Arbeitsplatz Ihrer Sachbearbeitung
Hier sieht Ihre Sachbearbeitung die Vorschläge je Akte und übernimmt oder verwirft sie.
Mehr erfahren -
Dateninfrastruktur
Die Datenbasis wiegt schwerer als das Modell
Der Tabular Store hält Ihren Bestand versioniert und je Mandant getrennt, mit der Historie, die im Prozess entsteht.
Mehr erfahren -
KI-Kommunikation
Der Agent setzt den Vorschlag um
Was Ihre Sachbearbeitung übernimmt, führt der Agent im vorgeschlagenen Kanal und Zeitfenster aus und dokumentiert jeden Versuch.
Mehr erfahren
