ثلاث طرق يمكن بها لدمقرطة البيانات أن تحسن دفع الفواتير للأعمال والعملاء الخاصين بها

قل مرحبًا باليّوتّابايت، الذي يمثل 1024 بايت، أو مقدار البيانات التي يمكن أن تتسع على أقراص DVD مكدّسة من الأرض إلى المريخ. بحلول ثلاثينيات القرن الحادي والعشرين، من المتوقع أن يولّد العالم يوتّابايت واحدًا من البيانات سنويًا.

ما فائدة هذا المحيط الهائل من البيانات، مع ذلك، ما لم يكن بالإمكان الوصول إليه بسرعة، وتحليله، واستخدامه لإرشاد القرارات الحالية والمستقبلية؟ وقد أثار هذا السؤال نقاشًا متناميًا حول قيمة “إتاحة البيانات للجميع” أو جعل البيانات أكثر إتاحةً لكل أجزاء المؤسسة. عندما تُتاح البيانات للجميع، يمكن استخدامها لفهم صحة الأعمال، والتنبؤ بالنتائج، وتطوير استراتيجيات لتقليل المصاريف التشغيلية وزيادة الأرباح. جزء من “إتاحة البيانات للجميع” ليس فقط الحصول على البيانات، بل أيضًا تمكين الأشخاص من خلفيات تقنية مختلفة من استخدام هذه البيانات لاتخاذ قرارات عمل.

تتهيأ شركات التكنولوجيا المالية (Fintech) وعملاؤها، مثل مُصدري الفواتير، على نحو خاص للمشاركة في حركة إتاحة البيانات للجميع بسبب الكم الهائل من بيانات المدفوعات المتاحة—بشرط أن تتم إتاحة هذه البيانات لجميع أصحاب المصلحة في منظمة الفوترة. في هذه المقالة، سنناقش أهم عوائق إتاحة البيانات للجميع—جزر البيانات وحراس بوابة تقنية المعلومات (IT)—وكيف يمكن لاكتساب الوصول إلى هذه البيانات أن يحوّل المدفوعات بالنسبة لمُصدري الفواتير وعملائهم.

جزر البيانات وحارس بوابة تقنية المعلومات

لمدة آخر 50 عامًا، كانت البيانات تُتحكَّم فيها إلى حد كبير بواسطة تقنيي تقنية المعلومات والمحللين الذين يمتلكون معرفة وتدريبًا متخصصًا. وعلى وجه الخصوص، تكون بيانات المدفوعات عادةً محبوسة داخل منصات المدفوعات، حيث تقوم فرق هندسة مقدمي الخدمة بإعداد تقارير قياسية لعملائهم بشكل ربع سنوي، وإنشاء تقارير مخصّصة عند الطلب.

لا ينبغي حبس بيانات المدفوعات في أيدي عدد قليل. توجد مليارات نقاط البيانات داخل منصات المدفوعات. وتُعد بيانات المدفوعات هذه، في الأساس، الطريقة التي يتواصل بها العملاء مع مؤسسات الإقراض الخاصة بهم كل شهر. عندما يتمكن مُصدرو الفواتير من الوصول إلى هذه البيانات وتطبيقها بطرق جديدة ومبتكرة، يمكن استخدامها لمساعدة الجميع في مؤسستهم على اتخاذ قرارات أكثر استنارة وتحقيق تحسينات تشغيلية.

تُفتح إتاحة البيانات للجميع كنزًا من الرؤى القابلة للتنفيذ التي يمكن تطبيقها بطرق جديدة ومبتكرة. إليك ثلاث طرق يمكن لمُصدري الفواتير من خلالها توظيف تلك الرؤى لتعزيز الكفاءة التشغيلية وتمكين عملية اتخاذ القرار:

2.      

### تحديد وتحسين مجالات الضعف وتوجيه الأولويات وفقًا لذلك

وجود بيانات المدفوعات والإحصاءات أمامك شيء واحد، لكن ذلك غالبًا ما يؤدي إلى المزيد من الأسئلة أكثر من كونه يوفر إجابات. هل تكون هذه الأرقام جيدة أم سيئة؟ هل ينبغي أن تتخذ إجراءً؟ وإذا كان الأمر كذلك، فأين؟

عندما يتيح لك مزوّد المدفوعات الخاص بك قياس مدفوعاتك وبيانات عملائك ووضع معايير لها مقابل بيانات إجمالية على مستوى الصناعة، يمكنك تتبع اتجاهات المدفوعات واستهلاك العملاء وهي تتكشف في أسواق ومواقع مختلفة، والتنبؤ بأثرها على أعمالك.

تكشف بيانات المعايير عن القيم الشاذة—المجالات التي تكون فيها أعلى بشكل ملحوظ أو أقل من المتوسط—وتساعدك على فهم اتجاه تحرك الصناعة.

على سبيل المثال، يمكنك فحص معدلات المدفوعات المرفوضة والمرتجعات (chargebacks)، ثم تحديد ما الذي يمكن فعله لجعل أرقامك تتوافق مع متوسط الصناعة، أو تتجاوزه. يمكنك أيضًا دراسة اتصالات المشاركة المجمعة، وطرح السؤال: “ما هي معدلات النقر المعتادة للتواصل عبر SMS مقارنةً بالبريد الإلكتروني، وكم يستغرق ذلك حتى يؤدي إلى دفع مقابل أعمالنا مقارنةً بالصناعة ككل؟” قد تلاحظ أماكن يمكنك فيها تعديل قواعد العمل أو المعلمات، أو إدخال أنواع مدفوعات جديدة، أو نقل رسائل المشاركة إلى يوم آخر أو وقت من اليوم آخر بهدف تحقيق المزيد من المدفوعات في وقتها.

تساعدك بيانات المعايير أيضًا على تحديد اتجاهات مدفوعات ناشئة حتى تتمكن من التكيف بسرعة لمعالجة المشكلات أو تلبية الطلبات الجديدة. قد تلاحظ نوعًا محددًا من المدفوعات يكتسب زخمًا، أو أن تأخر المدفوعات التلقائية يتخلف في شريحة ديموغرافية معينة. عندما يمكنك رؤية بياناتك على مستوى دقيق، ومقارنةً بمتوسطات الصناعة، يمكنك الاستجابة والتكيف، وتحديد مؤشرات أداء رئيسية واقعية (KPIs)، والتركيز على تحسينات العمليات التي تحقق كفاءات تشغيلية حقيقية.

3.      

### التنبؤ بما هو قادم لتمكين تخطيط أفضل

قد تؤدي حصر تحليل البيانات في المصادر الداخلية، وحتى المصادر المتاحة على مستوى الصناعة، إلى فجوات في الفهم. لهذا السبب تقوم العديد من الشركات بإدراج بيانات خارجية في تحليلاتها؛ فهي تبحث عن منظور أوسع لفهم كيف يمكن لما يحدث في “العالم الخارجي” أن يؤثر على سلوك المدفوعات اليوم وفي المستقبل.

ومع أن المزيد من مزوّدي منصات الدفع يغوصون في إتاحة البيانات للجميع، فقد يفتح ذلك فرصًا لبث بيانات المدفوعات إلى منظومة مُصدّر الفواتير. وعند دمجها مع نقاط بيانات أخرى مثل درجات الائتمان، أو مؤشر أسعار المستهلك، أو معلومات التعداد، يمكن أن تساعد مزوّد مدفوعاتك على تحديد ملف المخاطر لفرد أو مجموعة ديموغرافية، مما يساعدك على التنبؤ بشكل أفضل بأنماط الدفع، واستهداف رسائل المشاركة، وأتمتة قواعد العمل التي تُعرف بأنها تشجع على المدفوعات في وقتها.

يمكن للبيانات الاقتصادية من مصادر حكومية أن تكشف عن مناطق قد يؤدي فيها ارتفاع البطالة أو تراجع الناتج المحلي الإجمالي إلى التأثير في المتانة المالية لعدد كبير من العملاء. وحتى بيانات توقعات الطقس يمكن أن تكون مفيدة. فعلى سبيل المثال، أحدث إعصار إيان (Hurricane Ian) فوضى في الاقتصاد الحكومي لولاية فلوريدا بأكملها عندما أغلقت الشركات أبوابها، وهرب السكان، وتدفقت الأموال من المستهلكين استعدادًا للعاصفة والتعافي منها، ما تركهم بقدرة أقل بكثير على دفع الفواتير.

عندما تكون لديك بيانات جاهزة لإجراء تنبؤات قائمة على الحقائق، يمكنك تجهيز أعمالك لأثر المدفوعات قبل المنحنى. كما يمكنك العمل مع مزوّد مدفوعاتك لأتمتة التواصل مع المدفوعين بشكل استباقي قبل أن تتحول المدفوعات الفائتة إلى مشكلة أكبر وأكثر تكلفة. وقد تتمكن من تقديم حلول مثل تقسيم المدفوعات، أو تغيير مواعيد استحقاق الدفع لتتوافق مع يوم الراتب، أو إرسال تذكيرات بالدفع بشكل أكثر تكرارًا.

4.      

### أتمتة اتخاذ القرار لمعالجة الاحتيال وغيرها من المشكلات

ينتج قطاع المدفوعات كمًا هائلًا من البيانات التي يمكن أن تكون مفيدة للإبلاغ عن المشكلات المحتملة—لكن ذلك لا يحدث إلا إذا كان لدى مُصدّري الفواتير طريقة لتحليل هذه البيانات في الوقت الفعلي، والتنبؤ بالنتائج، وأتمتة الاستجابات. ينبغي أن يكون مزوّد مدفوعاتك قادرًا على الاستفادة من الذكاء الاصطناعي (AI) والتعلم الآلي (ML) لتحقيق هذه الأهداف، مما يجعل من الممكن اكتشاف الأنشطة الاحتيالية والمدفوعات المتأخرة ومرتجعات ACH وغيرها والتنبؤ بها بطريقة فعالة من حيث التكلفة وموثوقة، ثم بدء الإصلاحات بشكل استباقي عبر قواعد عمل مؤتمتة.

ترتبط ML وAI ببعضهما في النظام البيئي نفسه—يتم بناء أنظمة AI باستخدام ML، إلى جانب تقنيات أخرى أيضًا. باستخدام ML، تتعلم الآلات من مجموعات البيانات بدلًا من الحاجة إلى برمجتها. ويمكنها تصنيف البيانات، والتعرف على الأنماط، وإنشاء نماذج تنبؤية. تستفيد برامج AI من هذه الإمكانات لتنفيذ مهام معقدة، بما يحاكي قدرات الإنسان وأفعاله. تُعد روبوتات الدردشة (Chatbots)، والمساعدون الأذكياء مثل Amazon Alexa، والسيارات ذاتية القيادة كلها تطبيقات للذكاء الاصطناعي.

يتمثل مثال على نموذج ML في قطاع المدفوعات المصمم لتحقيق AI في تحديد نمط من كثرة المرتجعات (chargebacks) الخاصة بمجموعة معينة من العملاء وتطبيق قاعدة عمل تلقائيًا لإزالة البطاقات كخيار دفع بمجرد أن يبدأ العميل مرتجعه الثالث خلال فترة ستة أشهر. يجعل ML هذه الاستجابة فورية ومحددة وآلية، دون أي حاجة لإدخال يدوي أو اتخاذ قرار يدوي.

يمكن أن يساعد AI أيضًا في تحسين تجربة العميل وتقليل المصاريف التشغيلية. فعلى سبيل المثال، يمكن أن يكون نموذج ML هو ما يقف وراء تطبيق AI لتحديد العملاء ذوي سجل مدفوعات موثوق وتوجيههم إلى خيارات الدفع الذاتي عبر إمكانات IVR أو روبوت الدردشة أو الرسائل النصية، مع روابط دفع مخصصة. كما يمكنه إرسال رسائل مشاركة خاصة لهؤلاء العملاء لتشجيع الاشتراك في الدفع التلقائي، بما في ذلك روابط مخصصة لجعل العملية سهلة وسلسة.

أما أولئك الذين لديهم نمط من المدفوعات الفائتة أو مرتجعات ACH، فيمكن إرسالهم اتصالات تتضمن خيارات لكيفية التسوية. فعلى سبيل المثال، هل يرغبون في تقسيم الدفعة الفائتة إلى عدة دفعات وإضافتها إلى الفواتير المستقبلية؟  هل سيجدون أنه من المفيد نقل تاريخ الدفع ليتزامن مع يوم الراتب؟ أم أن جعل المدفوعات أسبوعية سيكون أفضل من دفع واحد شهري؟ يمكن للعملاء بعدها النقر على الروابط لتنفيذ قراراتهم بشكل مستقل بدلًا من الاعتماد على مكالمة هاتفية مع وكيل. يؤدي هذا النوع من اتخاذ القرار الآلي والمُوجّه بالبيانات إلى منح العملاء تجربة دفع هي الأكثر إتاحة وأملاً بالنسبة لهم، مع تخصيص وقت ممثلي الخدمة للحالات التي تحتاج إلى اهتمام خاص.

وفي الوقت نفسه، تنتقل البيانات من قرارات هؤلاء العملاء، وأنماط مدفوعاتهم المستقبلية، إلى تدريب نموذج ML لتقديم الخيارات الأكثر احتمالًا التي ستؤدي إلى مدفوعات مستقلة وفي وقتها للعملاء في المستقبل.

كيفية إتاحة البيانات للجميع عبر مؤسستك

لا تحدث إتاحة البيانات للجميع بشكل عضوي أو بشكل مستقل. إنها تتطلب أولًا التزامًا من مزوّد مدفوعاتك لإزالة جزر البيانات وحراس البوابة الذين يقفون في طريق إدخال البيانات بالكامل وبسرعة إلى أيدي أصحاب المصلحة لديك. إذا كان مزوّد مدفوعاتك الحالي لا يجعل ذلك أولوية، فقد يكون الوقت قد حان للنظر في خيار آخر.

يجب أن يبدأ مزوّد مدفوعاتك أولًا في تطوير مستودع بيانات يقوم فيه بتجميع ومواءمة (normalizes) جميع بيانات المدفوعات. ثم ينبغي أن يقوم بتسليم البيانات بالشكل الأكثر فائدة لك. وقد يعني ذلك توفير بيانات خام لموظفيك لتحميلها وتحليلها داخليًا، أو إتمام التحليل نيابةً عنك، أو تصور بياناتك بشكل إجمالي مع بيانات الصناعة، أو تقديم بيانات سياقية من مصادر خارجية.

بمجرد وضع تلك العناصر في مكانها، تقع الكرة في ملعبك لجعل البيانات قابلة للرؤية (observable) لجميع أصحاب المصلحة في مؤسستك—حتى أولئك الأقل خبرة تقنية—حتى يتمكنوا من اتخاذ إجراءات ومتابعة الأهداف استنادًا إلى حقائق، لا إلى مشاعر.

لقد هيأت حركة إتاحة البيانات للجميع الساحة لمُصدّري الفواتير لإضافة الأدلة والسياق إلى اتخاذ القرار في جميع أنحاء المؤسسة. أولئك الذين يستفيدون من ذلك سيحصلون على أفضلية في تحسين الاستراتيجيات لزيادة الدفع الذاتي (self-service) وخلق تجربة عميل سلسة ومُرضية.

عن المؤلف

ستيف كرامر (Steve Kramer) هو نائب الرئيس لمنتج PayNearMe، حيث يقود فريق تطوير المنتج. وبفضل أكثر من 25 عامًا من خبرة المدفوعات والمنتجات، يضمن ستيف أن حلول PayNearMe تقود السوق عبر تقليل احتكاك المستهلك وتوفير أوسع مجموعة من خيارات وقنوات الدفع، مع البقاء مركزًا على الأمان والموثوقية لضمان قيام العملاء بتحصيل كل دفعة، في كل مرة.