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

قل مرحبًا باليُوتّابايت (yottabyte)، الذي يمثل 1024 بايت، أو كمية البيانات التي يمكن أن تتسع على أقراص DVD مكدّسة من الأرض إلى المريخ. بحلول ثلاثينيات القرن الحالي، يُتوقع أن يولّد العالم يوتّابايت واحدًا من البيانات سنويًا.

ما الفائدة من هذا المحيط الهائل من البيانات، مع ذلك، ما لم يكن بالإمكان الوصول إليه بسرعة وتحليله واستخدامه لإرشاد القرارات الحالية والمستقبلية؟ وقد دفع هذا السؤال إلى محادثة متنامية حول قيمة “إضفاء طابع ديمقراطي على البيانات” أو جعل البيانات أكثر إتاحة لجميع أجزاء المؤسسة. عندما تُصبح البيانات مُدمقَطة، يمكن استخدامها لفهم صحة الأعمال والتنبؤ بالنتائج وتطوير استراتيجيات لتقليل المصاريف التشغيلية وزيادة الأرباح. جزء من “إضفاء الطابع الديمقراطي” ليس مجرد الحصول على إمكانية الوصول إلى البيانات، بل أيضًا تمكين أشخاص ذوي خلفيات تقنية مختلفة من استخدام هذه البيانات لاتخاذ قرارات أعمال مستنيرة.

تعد شركات التكنولوجيا المالية (Fintech) وعملاؤها، مثل مُصدري الفواتير (billers)، مهيئين بشكل خاص للمشاركة في حركة إضفاء الطابع الديمقراطي على البيانات بسبب الكم الهائل من بيانات المدفوعات المتاح – بشرط أن يمكن جعل هذه البيانات متاحة لجميع أصحاب المصلحة داخل مؤسسة الفوترة. في هذه المقالة، سنناقش أهم عوائق إضفاء الطابع الديمقراطي على البيانات – جزر البيانات (data silos) وحراس بوابة تقنية المعلومات (IT gatekeepers) – وكيف يمكن لاكتساب إمكانية الوصول إلى هذه البيانات أن يحوّل المدفوعات لكل من مُصدري الفواتير وعملائهم.

جزر البيانات وحارس بوابة تقنية المعلومات

على مدى آخر 50 عامًا، كانت البيانات تُدار إلى حد كبير بواسطة تقنيي تقنية المعلومات والمحللين الذين يتمتعون بمعرفة وتدريب متخصصين. وتحديدًا، غالبًا ما تكون بيانات المدفوعات محبوسة داخل منصات المدفوعات، ومن ثم يقوم فرق الهندسة لدى مقدمي الخدمة بتجميع التقارير القياسية لعملائهم بشكل ربع سنوي وإنشاء تقارير مخصصة عند الطلب.

لا ينبغي حبس بيانات المدفوعات بين أيدي قلة من الأشخاص. توجد مليارات نقاط بيانات داخل منصات المدفوعات. وبشكل أساسي، تمثل بيانات المدفوعات 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 ودفع تحسينات تشغيلية.

يفتح إضفاء الطابع الديمقراطي على البيانات كنزًا من الأفكار القابلة للتنفيذ يمكن تطبيقها بطرق جديدة ومبتكرة. إليك ثلاث طرق يمكن لمُصدري الفواتير أن يستخدموا من خلالها تلك الأفكار لتعزيز الكفاءة التشغيلية وتمكين عملية اتخاذ القرار:

2.      

### تحديد وتحسين مجالات الضعف وتوجيه الأولويات وفقًا لذلك

الحصول على بيانات المدفوعات والإحصاءات أمامك شيء واحد، لكن هذا غالبًا ما يفضي إلى مزيد من الأسئلة أكثر من كونه يقدّم إجابات. هل هذه الأرقام جيدة؟ سيئة؟ هل يجب أن تتخذ إجراءً؟ وإذا كان الأمر كذلك، فأين؟

عندما يتيح لك مزود المدفوعات قياس ومعايرة مدفوعاتك وبيانات عملائك مقابل بيانات الصناعة الإجمالية، يمكنك تتبع اتجاهات المدفوعات والمستهلكين أثناء تشكلها في أسواق ومواقع مختلفة والتنبؤ بالأثر على عملك.

تكشف بيانات المعايرة عن القيم الشاذة – المناطق التي تكون فيها أعلى بشكل ملحوظ أو أقل من المتوسط – وتساعدك على فهم اتجاه حركة الصناعة.

على سبيل المثال، يمكنك تحليل معدلات المدفوعات المرفوضة (declined payments) والمبالغ التي تم الاعتراض عليها (chargebacks) ثم تحديد ما يمكن فعله لجعل أرقامك تتماشى مع متوسط الصناعة، أو تتجاوزه. يمكنك أيضًا دراسة اتصالات التفاعل المجمعة (aggregated engagement communications)، وسؤال: “ما هي معدلات النقر المتكررة النموذجية (clickthrough rates) لرسائل SMS مقارنةً بالبريد الإلكتروني، ومدى السرعة التي يؤدي بها ذلك إلى دفع فاتورة لشركتنا مقارنةً بالصناعة ككل؟” قد تلاحظ أماكن يمكنك فيها تعديل قواعد العمل أو المعلمات، وإدخال أنواع جديدة من المدفوعات، أو نقل رسائل التفاعل إلى يوم آخر أو وقت آخر من اليوم بهدف تحقيق مدفوعات في مواعيدها أكثر.

تساعدك بيانات المعايرة أيضًا على تحديد اتجاهات المدفوعات الناشئة حتى تتمكن من التكيف بسرعة لمعالجة المشكلات أو تلبية الطلبات الجديدة. قد تلاحظ نوعًا معينًا من المدفوعات يكتسب زخمًا أو أن تأخر المدفوعات الآلية (auto-payment lagging) يحدث ضمن شريحة سكانية محددة. عندما يمكنك رؤية بياناتك على مستوى تفصيلي، بحيث تُقارن بمتوسطات الصناعة، تستطيع الاستجابة والتكيف، وتحديد مؤشرات الأداء الرئيسية (KPIs) الواقعية، والتركيز على تحسينات العمليات التي تحقق كفاءات تشغيلية حقيقية.

3.      

### التنبؤ بما هو قادم لتمكين تخطيط أفضل

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

ومع قيام المزيد من مزودي منصات المدفوعات بالغوص في إضفاء الطابع الديمقراطي على البيانات، قد يفتح ذلك فرصًا لبث بيانات المدفوعات إلى منظومة مُصدّر الفواتير البيئية. وعند دمجها مع نقاط بيانات أخرى مثل درجات الائتمان، ومؤشر أسعار المستهلك (CPI)، أو معلومات التعداد السكاني، يمكن أن يساعد ذلك مزود المدفوعات لديك في تحديد ملف المخاطر الخاص بفرد أو مجموعة سكانية، وهو ما يساعدك على التنبؤ بشكل أفضل بأنماط الدفع، واستهداف اتصالات التفاعل، وأتمتة قواعد العمل المعروفة بأنها تشجع على المدفوعات في مواعيدها.

يمكن لبيانات اقتصادية من مصادر حكومية أن تكشف عن المجالات التي قد تؤثر فيها زيادة البطالة أو انخفاض الناتج المحلي الإجمالي (GDP) على المتانة المالية لعدد كبير من العملاء. وحتى بيانات توقعات الطقس يمكن أن تكون مفيدة. على سبيل المثال، أحدث إعصار إيان (Hurricane Ian) دمارًا في اقتصاد الولاية بأكملها في فلوريدا، إذ أغلقت الشركات، وهرب السكان، وضخّ المستهلكون الأموال في الاستعداد للعاصفة والانتعاش منها، ما تركهم بقدرة أقل بكثير على دفع الفواتير.

عندما تكون لديك بيانات متاحة بسهولة لإجراء تنبؤات مبنية على الحقائق، يمكنك تجهيز عملك لتأثيرات المدفوعات قبل أن تتجاوز الأمور المنحنى. يمكنك أيضًا العمل مع مزود المدفوعات لديك لأتمتة التواصل مع دافعي الفواتير بشكل استباقي قبل أن تتحول المدفوعات المتأخرة إلى مشكلة أكبر وأكثر تكلفة. وقد تتمكن من تقديم حلول مثل تقسيم المدفوعات، أو تغيير مواعيد استحقاق الدفع لتتزامن مع يوم الراتب، أو إرسال تذكيرات دفع أكثر تكرارًا.

4.      

### أتمتة اتخاذ القرار لمعالجة الاحتيال وغيرها من المشكلات

ينتج قطاع المدفوعات كمية هائلة من البيانات التي يمكن أن تكون مفيدة لتحديد المشكلات المحتملة – لكن ذلك يتطلب أن يكون لدى مُصدري الفواتير طريقة لتحليل هذه البيانات في الوقت الحقيقي، والتنبؤ بالنتائج، وأتمتة الاستجابات. يجب أن يكون مزود المدفوعات لديك قادرًا على الاستفادة من الذكاء الاصطناعي (AI) والتعلم الآلي (ML) لتحقيق هذه الأهداف، مما يجعل من الممكن اكتشاف الأنشطة الاحتيالية والمدفوعات المتأخرة وإرجاعات ACH وغيرها والتنبؤ بها بشكل فعّال من حيث التكلفة وموثوق، وبدء الإصلاحات استباقيًا عبر قواعد عمل آلية.

يرتبط ML وAI معًا ضمن النظام البيئي نفسه—فأنظمة AI تُبنى باستخدام ML، إلى جانب تقنيات أخرى. مع ML، تتعلم الآلات من مجموعات البيانات بدلًا من الاضطرار إلى برمجتها. يمكنها تصنيف البيانات، والتعرف على الأنماط، وإنشاء نماذج تنبؤية. تستفيد برامج AI من هذه الإمكانيات لتنفيذ مهام معقدة، محاكاة قدرات البشر وإجراءاتهم. تعد روبوتات الدردشة (Chatbots) والمساعدين الأذكياء مثل Amazon Alexa، والسيارات ذاتية القيادة تطبيقات للذكاء الاصطناعي.

ومن الأمثلة على نموذج ML في قطاع المدفوعات الذي مُصمم لتحقيق AI هو تحديد نمط ارتفاع شحنات الاعتراض (chargebacks) ضمن شريحة معينة من العملاء ثم تطبيق قاعدة عمل تلقائيًا لإزالة البطاقات كخيار للدفع بمجرد أن يبدأ العميل اعتراضه الثالث خلال فترة ستة أشهر. تجعل ML هذه الاستجابة فورية ومحددة وآلية، دون الحاجة إلى إدخال يدوي أو اتخاذ قرار يدوي.

يمكن أن يساعد AI أيضًا في تحسين تجربة العميل وتقليل المصاريف التشغيلية. على سبيل المثال، قد يكون نموذج ML موجودًا خلف تطبيق من تطبيقات AI لتحديد العملاء ذوي سجلات دفع موثوقة وتوجيههم إلى خيارات دفع ذاتية الخدمة باستخدام قدرات IVR أو روبوت الدردشة أو الرسائل النصية (SMS) جنبًا إلى جنب مع روابط دفع مخصصة. ويمكنه أيضًا إرسال رسائل تفاعل خاصة إلى هؤلاء العملاء لتشجيع الاشتراك في الدفع الآلي (auto-pay)، بما في ذلك روابط مخصصة تجعل هذه العملية سهلة وسلسة.

من ناحية أخرى، يمكن إرسال اتصالات إلى من لديهم نمط من المدفوعات الفائتة أو إرجاعات ACH مع خيارات حول كيفية تسوية الأمور. على سبيل المثال، هل يرغبون في تقسيم دفعتهم الفائتة إلى عدة مدفوعات إضافتها إلى فواتير مستقبلية؟  هل سيجدون أنه من المفيد نقل تاريخ الدفع ليصادف يوم الراتب؟ أم أن جعل المدفوعات أسبوعية سيكون أفضل من دفعة واحدة شهريًا؟ عندها يمكن للعملاء النقر على الروابط لتنفيذ قراراتهم بشكل مستقل بدلًا من الاعتماد على مكالمة هاتفية مع أحد الممثلين. يجلب هذا النوع من اتخاذ القرار الآلي والموجَّه بالبيانات العملاء إلى تجربة الدفع الأكثر ملاءمة والأكثر سرعة بالنسبة لهم، مع حجز وقت ممثلي الخدمة للحالات التي تتطلب اهتمامًا خاصًا.

وفي الوقت نفسه، تدخل بيانات قرارات هؤلاء العملاء، وأنماط مدفوعاتهم المستقبلية، في تدريب نموذج ML لتوفير خيارات للعملاء المستقبليين التي من المرجح أن تؤدي إلى دفع مستقل وفي الوقت المناسب في المستقبل.

كيفية إضفاء طابع ديمقراطي على البيانات عبر مؤسستك

لا تحدث عملية إضفاء الطابع الديمقراطي على البيانات بشكل عضوي أو بشكل مستقل. فهي أولًا تتطلب التزامًا من مزود دفعك لإزالة جزر البيانات وحراس البوابة الذين يقفون في طريق إدخال البيانات بالكامل وبسرعة إلى أيدي أصحاب المصلحة لديك. إذا لم يكن مزود المدفوعات الحالي لديك يجعل ذلك أولوية، فقد حان الوقت للنظر في بدائل أخرى.

يجب أن يكون مزود المدفوعات لديك يبدأ بتطوير مستودع بيانات (data warehouse) يقوم من خلاله بتجميع جميع بيانات المدفوعات وتطبيعها (normalizes). ثم يجب عليه تسليم البيانات بالشكل الأكثر فائدة لك. وقد يعني ذلك توفير بيانات خام لفريقك لتنزيلها وتحليلها داخليًا، وإكمال التحليل نيابةً عنك، وتصور بياناتك مجمعة مع بيانات الصناعة، أو تقديم بيانات سياقية من مصادر خارجية.

بمجرد وضع هذه العناصر في مكانها، يصبح الدور على عاتقك لجعل البيانات قابلة للملاحظة (observable) لجميع أصحاب المصلحة في مؤسستك – حتى الأقل من الناحية التقنية – حتى يتمكنوا من اتخاذ إجراءات والسعي إلى تحقيق أهداف بناءً على الحقائق، لا على المشاعر.

وضعت حركة إضفاء الطابع الديمقراطي على البيانات الأساس لمُصدري الفواتير لإضافة الأدلة والسياق إلى عملية اتخاذ القرار داخل المؤسسة طوال الوقت. من يستفيدون من ذلك سيحصلون على أفضلية في تحسين الاستراتيجيات لزيادة الدفع الذاتي الخدمة (self-service) وخلق تجربة عميل سلسة وخالية من الاحتكاك ومُرضية.

نبذة عن المؤلف

Steve Kramer هو نائب رئيس قسم المنتجات في PayNearMe، حيث يقود فريق تطوير المنتجات. وبخبرة تتجاوز 25 عامًا في المدفوعات والمنتجات، يضمن Steve أن حلول PayNearMe تقود السوق من خلال تقليل احتكاك المستهلك وتقديم أوسع نطاق من خيارات وقنوات الدفع، مع البقاء متمحورًا حول الأمان والموثوقية لضمان قيام العملاء بتحصيل كل دفعة، في كل مرة.