Proces rozpoczął się od wstępnej analizy danych, co było krytyczne, gdyż aktywa firmy to dziesiątki niewielkich portfeli wierzytelności. Każdy z nich posiada inną strukturę i jakość danych, co oznacza konieczność określenia wspólnej płaszczyzny i pracy nad nią. W przeciwnym razie przygotowanych modeli nie można byłoby uniwersalnie stosować w całej działalności firmy.
Projekt ten trwał około trzy miesiące i był obsługiwany zgodnie z metodologią CRISP-DM. W ramach projektu przetestowano ponad 20 różnych modeli. Modele te różniły się pod względem wykorzystania danych oraz algorytmów używanych do uczenia. Sześć zostało zakwalifikowanych do wdrożenia produkcyjnego.
Modele z krótkiej listy zostały wdrożone przy użyciu oprogramowania BRAINHINT AI Farm i zintegrowane z operacjami w sposób półautomatyczny. Trenowanie modeli odbyło się automatycznie, ale prognozy były dostarczane na żądanie za pośrednictwem dedykowanego interfejsu użytkownika.
