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

قل مرحبًا باليُوتابايت، الذي يُمثّل 1024 بايت، أو مقدار البيانات التي يمكن أن تتسع على أقراص DVD عندما تُرصّ من Earth to Mars. بحلول ثلاثينيات القرن الحالي، يُتوقّع أن يولِّد العالم يوتابايت واحدًا من البيانات سنويًا.

لكن ما الفائدة من هذا المحيط الهائل من البيانات، إن لم يكن بالإمكان الوصول إليه بسرعة وبشكل فعّال، وتحليله واستخدامه لإبلاغ القرارات الحالية والمستقبلية؟ لقد أثارت هذه التساؤلات نقاشًا متزايدًا حول قيمة “إتاحة/ديمقراطية البيانات” أو جعل البيانات أكثر إتاحة لجميع أجزاء المؤسسة. عندما تصبح البيانات ديمقراطية، يمكن استخدامها لفهم صحة الأعمال، والتنبؤ بالنتائج، وتطوير استراتيجيات لتقليل المصاريف التشغيلية وتحقيق أرباح أكبر. جزء من “الديمقراطية” لا يتمثل فقط في الحصول على البيانات، بل في تمكين الأشخاص من خلفيات تقنية مختلفة من استخدام تلك البيانات لإبلاغ قرارات الأعمال.

إن شركات التكنولوجيا المالية (Fintech) وعملاءها، مثل الجهات التي تُصدر الفواتير، مؤهلة بشكل خاص للمشاركة في حركة إتاحة/ديمقراطية البيانات بسبب الكم الهائل من بيانات المدفوعات المتاحة—إذا كان يمكن جعل تلك البيانات متاحة لجميع أصحاب المصلحة في منظمة الفوترة. في هذه المقالة، سنناقش أبرز عوائق ديمقراطية البيانات—جزر البيانات وحراس بوابة تقنية المعلومات IT—وكيف يمكن أن يؤدي اكتساب الوصول إلى هذه البيانات إلى تحويل المدفوعات بالنسبة للجهات التي تُصدر الفواتير وعملائها.

جزر البيانات وحارس بوابة تقنية المعلومات

على مدار آخر 50 عامًا، كانت البيانات تُدار إلى حد كبير بواسطة فنيي وتقنيي وتقنيي تحليل من قسم تقنية المعلومات الذين لديهم معرفة وتدريب متخصصان. وبشكل خاص، تُقفل بيانات المدفوعات عادةً داخل منصات المدفوعات، ومن ثم تُعدّ فرق هندسة مقدمي الخدمة التقارير القياسية لعملائهم بشكل ربع سنوي، وتُنشئ تقارير مخصصة عند الطلب.

لا ينبغي أن تُحصر بيانات المدفوعات في أيدي قلة. توجد مليارات نقاط بيانات داخل منصات المدفوعات. وهذه البيانات الخاصة بالمدفوعات هي في الأساس الطريقة التي يتواصل بها العملاء مع مؤسسات الإقراض لديهم 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.

تُتيح ديمقراطية البيانات 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 صنع القرار:

2.      

### حدّد نقاط الضعف وحسِّنها ووجّه الأولويات تبعًا لذلك

وجود بيانات المدفوعات والإحصاءات أمامك شيء، لكن هذا غالبًا ما يؤدي إلى المزيد من الأسئلة أكثر من الإجابات. هل هذه الأرقام جيدة؟ سيئة؟ هل ينبغي اتخاذ إجراء؟ وإذا كان الأمر كذلك، فأين؟

عندما يتيح لك مزود مدفوعاتك قياس ومعايرة مدفوعاتك وبيانات عملائك مقابل بيانات الصناعة المجمعة، يمكنك تتبع اتجاهات المدفوعات والمستهلكين وهي تتكشف في أسواق ومواقع مختلفة والتنبؤ بتأثيرها على أعمالك.

تكشف بيانات المعايرة عن الحالات الشاذة—المجالات التي تكون فيها أعلى أو أقل بشكل ملحوظ من المتوسط—وتساعدك على فهم إلى أين تتحرك الصناعة.

على سبيل المثال، يمكنك تحليل معدلات المدفوعات المرفوضة وChargebacks، ثم تحديد ما الذي يمكن فعله لكي تُحاذي أرقامك—أو تتجاوز—متوسط الصناعة. يمكنك أيضًا دراسة رسائل تواصل تفاعلية مجمعة، وطرح السؤال: “ما هي معدلات النقر المعتادة للرسائل النصية القصيرة (SMS) مقابل البريد الإلكتروني، وكم من الوقت تستغرق ذلك حتى يؤدي إلى دفع مقابل أعمالنا مقارنةً بالصناعة ككل؟”. قد تلاحظ أماكن يمكنك فيها تغيير قواعد العمل أو المعايير، أو إدخال أنواع دفع جديدة، أو نقل رسائل التفاعل إلى يوم آخر أو إلى وقت مختلف من اليوم لزيادة المدفوعات في مواعيدها.

تساعد بيانات المعايرة أيضًا في تحديد اتجاهات مدفوعات ناشئة حتى تتمكن من التكيف بسرعة لمعالجة المشكلات أو تلبية الطلبات الجديدة. قد تلاحظ نوعًا معينًا من المدفوعات يكتسب زخمًا، أو أن الدفع الآلي يتأخر في فئة ديموغرافية معينة. عندما تتمكن من رؤية بياناتك على مستوى تفصيلي دقيق، ومقارنةً بمتوسطات الصناعة، يمكنك أن تتفاعل وتتكيّف، وتضع مؤشرات أداء رئيسية (KPIs) واقعية، وتُركز على تحسينات العمليات التي تحقق كفاءات تشغيلية حقيقية.

3.      

### تنبأ بما هو قادم لتمكين تخطيط أفضل

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

ومع أن المزيد من مزودي منصات المدفوعات يتعمقون في ديمقراطية البيانات، قد يفتح ذلك فرصًا لبث بيانات المدفوعات إلى منظومة مُصدِر الفواتير. وعندما يتم دمجها مع نقاط بيانات أخرى مثل درجات الائتمان، أو مؤشر أسعار المستهلك، أو معلومات التعداد، يمكن أن يساعد مزود مدفوعاتك في تحديد ملف المخاطر لفرد أو فئة ديموغرافية، ما يساعدك على التنبؤ بشكل أفضل بأنماط الدفع، واستهداف رسائل التفاعل، وأتمتة قواعد العمل المعروفة بأنها تشجع على الدفع في الوقت المحدد.

قد تكشف البيانات الاقتصادية الصادرة عن مصادر حكومية عن مناطق يمكن أن يؤدي فيها ارتفاع البطالة أو تراجع الناتج المحلي الإجمالي إلى التأثير على المتانة المالية لعدد كبير من العملاء. وحتى بيانات توقعات الطقس يمكن أن تكون مفيدة. فعلى سبيل المثال، أحدث Hurricane Ian دمارًا في اقتصاد ولاية فلوريدا بأكمله عندما أُغلقت الأعمال، وهرب السكان، وتدفق المال من المستهلكين استعدادًا للعاصفة وللانتعاش منها، ما ترك لهم قدرة أقل بكثير على دفع الفواتير.

عندما تتوفر لديك البيانات بسهولة لإجراء تنبؤات مبنية على الحقائق، يمكنك تجهيز أعمالك لتأثيرات المدفوعات قبل أن تستفحل المشكلة. يمكنك أيضًا العمل مع مزود مدفوعاتك لأتمتة التواصل مع الدافعين بشكل استباقي قبل أن تؤدي المدفوعات الفائتة إلى مشكلة أكبر وأكثر كلفة. قد تتمكن من تقديم حلول مثل تقسيم المدفوعات، أو تغيير تواريخ استحقاق الدفع لتتزامن مع يوم الراتب، أو إرسال تذكيرات دفع أكثر تكرارًا.

4.      

### أتمتة اتخاذ القرار لمعالجة الاحتيال وغيرها من المشكلات

تُنتج صناعة المدفوعات كمًا هائلًا من البيانات يمكن أن يكون مفيدًا في الإبلاغ عن مشكلات محتملة—لكن ذلك لا يحدث إلا إذا كان لدى مُصدري الفواتير طريقة لتحليل تلك البيانات في الوقت الفعلي، والتنبؤ بالنتائج، وأتمتة الاستجابات. يجب أن يكون مزود مدفوعاتك قادرًا على الاستفادة من الذكاء الاصطناعي (AI) والتعلم الآلي (ML) لتحقيق تلك الأهداف، ما يجعل من الممكن اكتشاف الأنشطة الاحتيالية، والمدفوعات المتأخرة، وعمليات إرجاع ACH، وغيرها والتنبؤ بها بطريقة فعّالة من حيث التكلفة وموثوقة، وبدء الإصلاحات بشكل استباقي عبر قواعد عمل آلية.

يرتبط ML وAI معًا في النظام البيئي نفسه—تُبنى أنظمة AI باستخدام ML، بالإضافة إلى تقنيات أخرى. باستخدام ML، تتعلم الآلات من مجموعات البيانات بدلًا من الاضطرار إلى برمجتها. ويمكنها تصنيف البيانات، والتعرف على الأنماط، وإنشاء نماذج تنبؤية. تستفيد برامج AI من هذه الإمكانات لأداء مهام معقدة، ومحاكاة قدرات البشر وإجراءاتهم. Chatbots، والمساعدون الأذكياء مثل Amazon Alexa، والسيارات ذاتية القيادة—كلها تطبيقات لـ AI.

يُعد مثال على نموذج ML في قطاع المدفوعات مُصمم لتحقيق AI هو تحديد نمط ارتفاع Chargebacks لمجموعة معينة من العملاء، ثم تطبيق قاعدة عمل تلقائيًا لإزالة البطاقات كخيار دفع بمجرد أن يبدأ العميل Chargebackه الثالث خلال فترة ستة أشهر. يجعل ML هذه الاستجابة فورية ومحددة وآلية، دون أي حاجة لإدخال يدوي أو لاتخاذ قرار يدوي.

يمكن أن يساعد AI أيضًا في تحسين تجربة العميل وتقليل المصاريف التشغيلية. على سبيل المثال، قد يكون نموذج ML وراء تطبيق AI من هذا النوع لتحديد العملاء وتوجيههم نحو خيارات الدفع ذاتية الخدمة باستخدام قدرات IVR أو Chatbot أو الرسائل النصية، جنبًا إلى جنب مع روابط دفع مخصصة. ويمكنه أيضًا إرسال رسائل تفاعل خاصة إلى هؤلاء العملاء لتشجيع الاشتراك في الدفع التلقائي، بما في ذلك روابط مخصصة لجعل هذه العملية سهلة وسلسة.

أما أولئك الذين لديهم نمط من المدفوعات الفائتة أو عمليات إرجاع ACH، فيمكن إرسال اتصالات إليهم مع خيارات لكيفية تسوية الوضع. على سبيل المثال، هل يودون تقسيم دفعتهم الفائتة إلى عدة مدفوعات وإضافتها إلى فواتير مستقبلية؟  هل سيجدون من المفيد نقل تاريخ الدفع ليصادف يوم الراتب؟ أم أن المدفوعات الأسبوعية ستكون مفضلة بدلًا من دفعة شهرية واحدة؟ عندها يمكن للعملاء النقر على الروابط لتنفيذ قراراتهم بأنفسهم بدلًا من الاعتماد على مكالمة هاتفية مع أحد الموظفين. يضمن هذا النوع من اتخاذ القرار الآلي الموجه بالبيانات أن يحصل العملاء على تجربة الدفع الأكثر ملاءمة والأكثر سرعة بالنسبة لهم، مع تخصيص وقت ممثلي الخدمة للحالات التي تحتاج اهتمامًا خاصًا.

وفي الوقت نفسه، تذهب بيانات قرارات هؤلاء العملاء، وأنماط مدفوعاتهم المستقبلية، إلى تدريب نموذج ML لتقديم خيارات من المرجح أكثر أن تقود العملاء في المستقبل إلى دفع مستقل وفي الوقت المحدد.

كيفية إتاحة/ديمقراطية البيانات عبر مؤسستك

لا تحدث ديمقراطية البيانات تلقائيًا أو بشكل مستقل. فهي تتطلب أولًا التزامًا من مزود مدفوعاتك لإزالة جزر البيانات وgatekeepers التي تقف في طريق إدخال البيانات بالكامل وبشكل سريع وفعّال إلى أيدي أصحاب المصلحة لديك. إذا لم يكن مزود مدفوعاتك الحالي يجعل ذلك أولوية، فقد حان الوقت للنظر في بديل.

يجب أن يكون مزود مدفوعاتك أولًا بصدد تطوير مستودع بيانات يقوم بتجميع جميع بيانات المدفوعات وتوحيدها. ثم يجب أن يقدم البيانات بالصيغة الأكثر فائدة لك. وقد يعني ذلك توفير بيانات خام لطاقمك لتنزيلها وتحليلها داخليًا، أو إكمال التحليل نيابةً عنك، أو تصور بياناتك مجمعةً مع بيانات الصناعة، أو تقديم بيانات سياقية من مصادر خارجية.

بمجرد وضع تلك العناصر في مكانها، تقع المهمة عليك لجعل البيانات قابلة للملاحظة لجميع أصحاب المصلحة في مؤسستك—حتى أولئك الأقل تقنية—حتى يتمكنوا من اتخاذ إجراء ومتابعة الأهداف استنادًا إلى الحقائق، لا إلى المشاعر.

لقد مهّدت حركة ديمقراطية البيانات الطريق أمام مُصدري الفواتير لإضافة الدليل والسياق إلى عملية اتخاذ القرار في جميع أنحاء المؤسسة. وسيحصل من يتخذ هذا المسار ميزة في تحسين الاستراتيجيات لزيادة الاعتماد على الخدمة الذاتية وخلق تجربة عميل سلسة ومرضية.

عن المؤلف

Steve Kramer هو نائب الرئيس للمنتج في PayNearMe، حيث يقود فريق تطوير المنتج. ومع أكثر من 25 عامًا من الخبرة في المدفوعات والمنتجات، يضمن Steve أن حلول PayNearMe تقود السوق عبر تقليل احتكاك المستهلك وتقديم أوسع نطاق من خيارات الدفع والقنوات، مع البقاء في الوقت نفسه مركزًا على الأمان والموثوقية لضمان قيام العملاء بتحصيل كل دفعة، في كل مرة.