AIが債権回収の優先度を判定｜法律事務所の業務を最大90％削減
CASE SUMMARY
事例サマリー
課題
手作業が多く案件拡大でリソース不足。データに基づく回収施策が取れず精度が低く、予算配分が担当者の肌感覚。
打ち手
- 過去データから回収しやすい債務者の特徴を特定
- 各債権をスコア化し回収金額を予測
- 期待値の高い債権へ予算を優先配分
- 施策PDCAを早めるダッシュボード
成果
- データに基づく効率的な債権回収を実現
- エンドクライアントからの信頼向上
- 業務工数を 75〜90% 削減
クライアント様の課題
今回ご支援させていただいたのは、多岐にわたる法的問題を取り扱っている法律事務所様です。 複数部門の内の1つ「債権回収部門」では、公共料金・家賃など幅広い債権回収サービスを提供されており、BNPLサービスの運営事業者様から債権の回収を委託されています。業務としては、エンドクライアントのお客様がお支払いをされていない場合に、督促状、架電、SMS、Emaiなどのアクションをしています。
ご依頼背景
- 属人的な対応となっており、案件拡大に伴い社内リソースが不足している
- 債権のデータをもとにした回収アクションが取れておらず、施策の精度も低い
回収作業には、債権ごとのデータ収集や可視化も含まれますが、手動で行われる作業が多く、案件が多くなるにつれて業務が回らなくなっていました。
また、各債権に対する、アクションにおいての予算の割り振りや回収施策の策定の方法が管理できておらず、担当者の肌感覚での対応となっていました。そのため、策定に時間がかかる上、各担当者や各案件ごとに費用がバラバラになっており、必要なところに予算を投入できていなかったり、逆に不要なところに予算を割いていたりといった状況でした。
このような状況を、データ・分析を用いて解決し、業務の効率化・債権回収率の最大化を弊社で支援させていただきました。
業務改善後の理想を以下に設定し、進めていきます。
理想状態
- データを元にした、債権回収アクションの選定ができる状態。
- データの集計・可視化が自動化できている状態。
- 回収期待値の高い債権者に対して、アクション予算を割り振り、費用対効果を合わせながら回収できる金額を最大化すること。
課題解決のプロセス
債権回収率に関係する要因を特定
回収率を上げるためには、「回収しやすい特徴」を特定し、その特徴を持つ債権にアプローチしていく必要があります。
そのため、まず月毎の過去債権データをもとに、回収率と相関関係が高い債務者の属性を抽出。回収率に影響を与えやすい、つまり回収率が高い属性を洗い出します。
- 過去の債務回数
- 返済方法（一括 or 定額で複数月）
- 金額帯
- 国籍
- 住所（都道府県・市区町村単位）
- 年齢
- 連絡が可能か（電話番号、住所、メールアドレスの有無）
この分析の結果、「過去の債務回数」の属性が回収率に比較的大きく影響を与えていることがわかりました。そのため、「過去の債務回数」が少ない人ほど回収がしやすい、ということになります。
atarayo prototype ― 本分析はサンプル（仮データ）です。実際のクライアントデータではありません。
各債権のデータを数値化し、回収金額を予測
次に、過去の各債権の属性データごとに入金率を出し、その入金率をベースに各債権の評価基準（スコア）を決定。「スコアの高い債権＝入金率が高い」としました。このスコアリングから、各債権がどのくらいの回収金額を見込めるのかを予測できるようになります。
各債権ごとに効率的な施策・予算を決定
このパートが、本支援の肝となる部分です。スコアリングで「どの債権が・どのくらい回収できそうか」が見えても、その先の予算配分とアクション選定が担当者の肌感覚のままでは、成果にはつながりません。
そこで、各債権の 期待回収額（＝残債 × 期待回収率） をもとに、債権を回収期待値の高い順にランク付けします。そのうえで、アクション（AutoCall・SMS・督促状）の頻度・タイミングを期待回収額に応じて自動で配分します。
- 期待回収額が大きい債権：AutoCall・SMS・督促状の頻度を引き上げ、回収機会を最大限に取りにいく
- 期待回収額が小さい債権：自動文面（SMS・メール）中心に切り替え、コストを抑える
- 設定した頻度は各督促ツールへ自動連携され、リスト作成や送信といった手作業を介さず実行される
これにより、「回収期待値の低い層に予算を多く割いてしまう」いわゆるムダ撃ちを避けられます。債権回収は成功報酬型のため、限られた予算を期待値の高い債権へ寄せられるかどうかが、そのまま回収率と利益率を左右します。
下記は、実際にお出しする回収スコアリング画面のイメージ（サンプル）です。期待回収額の順に、債権ごとのアクション頻度まで一画面で把握できます。
| 債権ID | 区分 | 残債 | 経過 | 期待回収率 | 期待回収額 | AutoCall | SMS | 督促状 |
|---|---|---|---|---|---|---|---|---|
| D-100604 | 立替金 | ¥1,240,000 | 11ヶ月 | 42% | ¥520,800 | 月8回 | 月9回 | 月3回 |
| D-100517 | 立替金 | ¥540,000 | 6ヶ月 | 71% | ¥383,400 | 月6回 | 月7回 | 月2回 |
| D-100482 | 公共料金 | ¥182,000 | 3ヶ月 | 88% | ¥160,160 | 月4回 | 月5回 | 月2回 |
| D-100533 | 家賃滞納 | ¥96,000 | 2ヶ月 | 64% | ¥61,440 | 月2回 | 月3回 | 月1回 |
| D-100711 | 公共料金 | ¥38,000 | 1ヶ月 | 29% | ¥11,020 | 月0回 | 月1回 | 月0回 |
atarayo prototype ― 本画面はサンプル（仮データ）です。実際のクライアントデータではありません。
ダッシュボード構築で、リアルタイムデータを自動で可視化
初月の回収率をKPI（重要指標）として、回収状況を可視化。リアルタイムのデータを見られることで、日々の状況を追いやすくなりました。また、施策の結果を常に確認することができるため、施策のPDCAを早く回すことが可能となりました。
回収は受任直後（経過1ヶ月）に集中し、以降は逓減します。だからこそ初動の精度とリソース配分が、回収率と利益率を大きく左右します。
| 経過月数 ＼ 受任月 | 2024年4月 | 2024年5月 | 2024年6月 | 2024年7月 | 2024年8月 |
|---|---|---|---|---|---|
| 経過1ヶ月 | 25.0% | 19.3% | 15.1% | 15.0% | 23.9% |
| 経過2ヶ月 | 4.8% | 5.1% | 5.2% | 4.3% | 4.6% |
| 経過3ヶ月 | 2.0% | 2.0% | 2.0% | 2.2% | 2.8% |
| 経過4ヶ月 | 2.2% | 1.0% | 1.4% | 1.1% | 1.9% |
| 経過5ヶ月 | 2.0% | 1.1% | 0.8% | 1.1% | 1.0% |
| 経過6ヶ月 | 0.9% | 1.0% | 0.6% | 0.8% | 1.1% |
| 経過7ヶ月 | 0.9% | 0.5% | 0.2% | 0.7% | 0.8% |
| 累計回収率（総計） | 37.8% | 29.9% | 25.3% | 25.2% | 36.0% |
累計回収率の大部分は経過1ヶ月の時点で積み上がる傾向。初動のスピードが成果を大きく左右します。
回収率は2ヶ月目以降で大きく下がるため、全件一律の督促はムダ撃ちになりやすい傾向が読み取れます。
初動の早さとスコアによる予算配分を組み合わせることで、同じコストでも回収率が変わり得ます。
atarayo prototype ― 本ダッシュボードはサンプルです。実際のクライアントデータではありません。
実現できたこと
- エンドクライアント様からの信頼向上
- エンドクライアント様へ共有するレポートが自動生成を可能になり、業務効率化のみでなく、データに基づいた報告や説明が可能となりました。これにより、エンドクライアント様の安心・納得感を醸成でき、信頼性の向上につなげることができました。
- 業務自動化により、クライアントワーク業務工数75~90%の削減
- 債権リストをドライブフォルダに格納するだけで、データ可視化、データを元に回収期待値を算出し、期待値の高い層に対して予算を割り振り回収アクションの選定、先方レポート生成まで自動化を実現。大幅に業務工数の削減をすることができました。
施策アクション内容を改善し、より効果的な回収を目指す
回収率の最大化を目指す中で、実際のアクションを効果のあるものにする必要があります。そのため、今後の改善策としては、SMS、メールの文章内容を、過去データをもとに仮説を立てながら実際の運用を通してその効果を検証していきたいと考えています。
atarayo 代表取締役 加藤のコメント
債権回収だけではない。人の判断を支えるAIが、ビジネスのあらゆる領域で変革を加速する。
今回の支援事例では、これまで担当者の経験や勘に頼りがちだった債権回収業務において、データとAIを活用することで「判断の質とスピード」を飛躍的に向上させ、大幅な業務効率化を実現しました。しかし、私たちが提供する価値は、決して債権回収の領域に限定されるものではありません。
本質は、「人がより良い判断を下すための材料を、リアルタイムかつ省力的に整備し、判断以外の業務を可能な限り自動化する」という、極めて汎用性の高い仕組みそのものにあります。
実際、このアプローチは以下のような多岐にわたるビジネス領域でその効果を発揮し始めています。
- マーケティング領域
- 広告、CRM、LINEといった多様なチャネルから集まるデータを統合し、AIがそれぞれの施策の期待効果をスコアリングすることで、限られた予算を最も効果的な施策へと最適に配分する（予算アロケーション支援）ことを可能にします。
- EC / BtoC領域
- 顧客の購買履歴やサイト内での行動データに基づいてLTV（顧客生涯価値）を予測し、セグメント別に最適化されたレコメンド施策をAIが自動で生成。これにより、人的な介入を最小限に抑えながら、顧客一人ひとりに合わせた最適な接客体験を提供することが可能になります。
- BtoB営業・カスタマーサクセス領域
- 契約状況やサービス利用ログといったデータから顧客の離脱兆候を早期に検知し、AIが対応の優先度を提示。これにより、CS担当者は煩雑なデータ分析から解放され、顧客への最適な対応判断に集中できる環境が構築されます。
私たちが重視しているのは、単なるデータの「分析」や業務の「効率化」に留まりません。真の目的は、「意思決定プロセスそのものを変革する」ことにあります。
属人的な判断や個々のスキルに依存することなく、「再現性のある成果創出体制」を構築することで、私たちはクライアント企業が自らデータとAIを使いこなし、持続的な成長を実現していくための進化を支援してまいります。
