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

قل مرحبًا باليُوتابايت (yottabyte)، الذي يمثل 1024 بايت، أو مقدار البيانات التي يمكن أن تناسب أقراص DVD عند تكديسها من الأرض إلى المريخ. بحلول ثلاثينيات القرن الحالي، يُتوقع أن يولّد العالم يوتابايت من البيانات سنويًا.

لكن ما الفائدة من هذا البحر الهائل من البيانات، ما لم يكن بالإمكان الوصول إليه وتحليله واستخدامه بسرعة لتمكين القرارات الحالية والمستقبلية؟ وقد حفز ذلك نقاشًا متزايدًا حول قيمة “إضفاء طابع ديمقراطي على البيانات” أو جعل البيانات أكثر إتاحة لجميع أجزاء المنظمة. عندما تُضفَغ البيانات بطابع ديمقراطي، يمكن استخدامها لفهم صحة الأعمال والتنبؤ بالنتائج وتطوير استراتيجيات لتقليل النفقات التشغيلية وزيادة الربح. جزء من “إضفاء الطابع الديمقراطي” ليس مجرد الحصول على البيانات، بل السماح لأشخاص من خلفيات تقنية مختلفة باستخدام تلك البيانات لإثراء القرارات التجارية.

تُعد شركات التكنولوجيا المالية (Fintech) وعملاؤها، مثل شركات تحصيل الفواتير (billers)، مؤهلين بشكل خاص للمشاركة في حركة إضفاء طابع ديمقراطي على البيانات بسبب الكم الهائل من بيانات المدفوعات المتاحة – إذا أمكن جعل تلك البيانات متاحة لجميع أصحاب المصلحة في منظمة التحصيل. في هذه المقالة، سنناقش أبرز عوائق إضفاء طابع ديمقراطي على البيانات – جزر البيانات (data silos) وحراس بوابة تقنية المعلومات (IT gatekeepers) – وكيف يمكن أن يؤدي الحصول على هذه البيانات إلى تحويل المدفوعات لشركات التحصيل ولعملائها.

جزر البيانات وحارس بوابة تقنية المعلومات

على مدار آخر 50 عامًا، كانت البيانات تُتحكَّم فيها إلى حد كبير بواسطة فنيي تقنية المعلومات والمحللين الذين يمتلكون معرفة وتدريبًا متخصصًا. وبشكل خاص، تُقفل بيانات المدفوعات عادةً داخل منصات المدفوعات، ومن خلالها تقوم فرق الهندسة لدى مقدمي الخدمة بتجميع التقارير القياسية لعملائهم ربع سنويًا وإنشاء تقارير مخصصة عند الطلب.

لا ينبغي حبس بيانات المدفوعات في أيدي قلة. توجد مليارات نقاط بيانات داخل منصات المدفوعات. وتُعد بيانات المدفوعات هذه، جوهريًا، الطريقة التي يتواصل بها العملاء مع مؤسسات الإقراض لديهم كل شهر. عندما يتمكن المحصلون من الوصول إلى هذه البيانات وتطبيقها بطرق جديدة ومبتكرة، يمكن استخدامها لمساعدة الجميع داخل مؤسستهم على اتخاذ قرارات أكثر استنارة ودفع تحسينات تشغيلية.

يُتيح إضفاء طابع ديمقراطي على البيانات كنزًا من الرؤى القابلة للتنفيذ والتي يمكن تطبيقها بطرق جديدة ومبتكرة. إليك ثلاث طرق يمكن لشركات التحصيل من خلالها توظيف هذه الرؤى لتعزيز الكفاءة التشغيلية وتمكين عملية اتخاذ القرار:

2.      

### حدد مناطق الضعف وحسّنها وحدد الأولويات وفقًا لذلك

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

عندما يمكّنك مزود مدفوعاتك من قياس مدفوعاتك وبيانات عملائك ووضعها في مقارنة معيارية (benchmark) مقابل بيانات الصناعة الإجمالية، يمكنك تتبع اتجاهات المدفوعات واستهلاك المستهلكين وهي تتكشف في أسواق ومواقع مختلفة والتنبؤ بتأثيرها على عملك.

تكشف بيانات المقارنة المعيارية عن القيم الشاذة – المجالات التي تكون فيها أعلى أو أقل بشكل واضح من المتوسط – وتساعدك على فهم الاتجاه الذي تسير عليه الصناعة.

على سبيل المثال، يمكنك فحص معدلات المدفوعات المرفوضة وعمليات رد المبالغ (chargebacks)، ثم تحديد ما الذي يمكن فعله لجعل أرقامك تتماشى مع متوسط الصناعة، أو تتجاوزه. يمكنك أيضًا دراسة اتصالات المشاركة المُجمعة (engagement communications)، وطرح السؤال: “ما هي معدلات النقر المعتادة (clickthrough rates) لرسائل SMS مقارنةً بالبريد الإلكتروني، وكم بسرعة يؤدي ذلك إلى مدفوعات لشركتنا مقارنةً بالصورة الإجمالية لدى الصناعة؟” قد تلاحظ أماكن يمكنك فيها تعديل قواعد العمل أو المعايير، وإدخال أنواع مدفوعات جديدة، أو نقل رسائل المشاركة إلى يوم آخر أو إلى وقت مختلف من اليوم لدفع المزيد من المدفوعات في موعدها.

تساعدك بيانات المقارنة المعيارية أيضًا في تحديد اتجاهات مدفوعات ناشئة بحيث يمكنك التكيف بسرعة لمعالجة المشكلات أو تلبية الطلبات الجديدة. قد تلاحظ أن نوعًا معينًا من المدفوعات يكتسب زخمًا، أو أن تأخر المدفوعات الآلية (auto-payment lagging) يتراجع في شريحة ديموغرافية محددة. عندما تتمكن من رؤية بياناتك على مستوى تفصيلي، ومقارنةً بمتوسطات الصناعة، يمكنك التحرك والتكيف، وتحديد مؤشرات أداء رئيسية (KPIs) واقعية، والتركيز 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، إلى وجود فجوات في فهم الصورة. لهذا السبب تقوم العديد من الشركات بإدخال بيانات خارجية ضمن تحليلاتها؛ فهي تسعى إلى منظور أوسع لفهم كيف يمكن لما يحدث في “العالم الخارجي” أن يؤثر على سلوك الدفع اليوم وفي المستقبل.

ومع تزايد توجه مزودي منصات الدفع إلى إضفاء طابع ديمقراطي على البيانات، قد يفتح ذلك فرصًا لبث بيانات المدفوعات إلى منظومة شركة التحصيل (biller). وعند دمجها مع نقاط بيانات أخرى مثل درجات الائتمان، أو مؤشر أسعار المستهلك (CPI)، أو معلومات التعداد السكاني، يمكن أن يساعد مزود مدفوعاتك في تحديد ملف المخاطر لفرد أو لفئة ديموغرافية، ما يتيح لك التنبؤ بشكل أفضل بأنماط الدفع واستهداف اتصالات المشاركة وأتمتة قواعد العمل المعروفة بأنها تشجع على الدفع في موعده.

يمكن للبيانات الاقتصادية الصادرة عن مصادر حكومية أن تكشف عن مناطق قد يؤدي فيها ارتفاع البطالة أو تراجع الناتج المحلي الإجمالي (GDP) إلى التأثير في المتانة المالية لعدد كبير من العملاء. وحتى بيانات توقعات الطقس يمكن أن تكون مفيدة. على سبيل المثال، خلف إعصار إيان (Hurricane Ian) خرابًا في اقتصاد ولاية فلوريدا بأكملها، إذ أغلقت الشركات أبوابها، وفرّ السكان، وسكب المستهلكون الأموال للاستعداد للعاصفة والتعافي منها، مما تركهم بسعة أقل بكثير لدفع الفواتير.

عندما تكون لديك البيانات المتاحة بسهولة لإجراء تنبؤات مبنية على الحقائق، يمكنك تجهيز أعمالك للتأثيرات المتعلقة بالمدفوعات قبل أن تصل إلى ذروتها. يمكنك أيضًا العمل مع مزود مدفوعاتك لأتمتة التواصل مع الدافعين بشكل استباقي قبل أن تتحول المدفوعات الفائتة إلى مشكلة أكبر وأكثر تكلفة. قد تتمكن من تقديم حلول مثل تقسيم المدفوعات، أو تغيير مواعيد استحقاق الدفع لتتزامن مع يوم الراتب (payday)، أو إرسال تذكيرات بالدفع بشكل أكثر تكرارًا.

4.      

### أتمتة اتخاذ القرار لمعالجة الاحتيال والمشكلات الأخرى

تُنتج صناعة المدفوعات كمية هائلة من البيانات التي يمكن أن تكون مفيدة في الإشارة إلى المشكلات المحتملة – لكن ذلك لا يحدث إلا إذا كانت لدى المحصلين طريقة لتحليل هذه البيانات في الوقت الفعلي، والتنبؤ بالنتائج وأتمتة الاستجابات. ينبغي لمزود مدفوعاتك أن يكون قادرًا على الاستفادة من الذكاء الاصطناعي (AI) وتعلم الآلة (ML) لتحقيق تلك الأهداف، ما يجعل من الممكن اكتشاف النشاط الاحتيالي والدفعات المتأخرة وعمليات الإرجاع عبر ACH (ACH returns) وغيرها والتنبؤ بها بطريقة فعالة من حيث التكلفة وموثوقة، وبدء إصلاحات استباقية عبر قواعد عمل آلية.

ترتبط تقنيات تعلم الآلة (ML) والذكاء الاصطناعي (AI) ببعضها ضمن النظام البيئي نفسه – إذ يتم بناء أنظمة الذكاء الاصطناعي باستخدام تعلم الآلة (ML)، بالإضافة إلى تقنيات أخرى. باستخدام ML، تتعلم الآلات من مجموعات البيانات بدلًا من الحاجة إلى برمجتها. يمكنها تصنيف البيانات والتعرّف على الأنماط وإنشاء نماذج تنبؤية. تستفيد برامج الذكاء الاصطناعي من هذه القدرات لأداء مهام معقدة، محاكاة قدرات وأفعال البشر. تعد روبوتات الدردشة (Chatbots)، والمساعدين الأذكياء مثل Amazon Alexa، والسيارات ذاتية القيادة كلها تطبيقات للذكاء الاصطناعي.

من الأمثلة على نموذج ML في قطاع المدفوعات المصمم لتحقيق الذكاء الاصطناعي هو تحديد نمط ارتفاع حالات رد المبالغ (chargebacks) لفئة معينة من العملاء، ثم تطبيق قاعدة عمل تلقائيًا لإزالة البطاقات كخيار للدفع بمجرد أن يبدأ العميل رد مبالغته الثالثة خلال فترة ستة أشهر. يجعل تعلم الآلة هذه الاستجابة فورية ومحددة وآلية، دون الحاجة إلى أي إدخال يدوي أو اتخاذ قرار يدوي.

يمكن للذكاء الاصطناعي أيضًا المساعدة في تحسين تجربة العميل وتقليل المصاريف التشغيلية. على سبيل المثال، قد يكون نموذج ML موجودًا خلف تطبيق للذكاء الاصطناعي لتحديد العملاء الذين لديهم سجلات دفع موثوقة وتوجيههم إلى خيارات الدفع الذاتي (self-service) عبر قدرات IVR أو روبوتات الدردشة أو الرسائل النصية (texting)، جنبًا إلى جنب مع روابط دفع مخصصة. ويمكنه أيضًا إرسال رسائل مشاركة خاصة لهؤلاء العملاء لتشجيع الاشتراك في الدفع الآلي (auto-pay sign-up)، بما في ذلك روابط مخصصة تجعل العملية سهلة وسلسة.

أما أولئك الذين لديهم نمط من المدفوعات الفائتة أو عمليات الإرجاع عبر ACH، فيمكن إرسال اتصالات لهم مع خيارات لكيفية التسوية (reconcile). على سبيل المثال، هل يرغبون في تقسيم دفعة الدفع الفائتة إلى عدة مدفوعات وإضافتها إلى الفواتير المستقبلية؟  هل سيجدون أنه من المفيد نقل تاريخ دفعهم ليكون متزامنًا مع يوم الراتب؟ أم أن جعل المدفوعات أسبوعية سيكون أفضل من دفعة شهرية واحدة؟ يمكن للعملاء بعد ذلك النقر على الروابط لتنفيذ قراراتهم بشكل مستقل بدل الاعتماد على مكالمة هاتفية مع موظف خدمة. يضمن هذا النوع من اتخاذ القرار الآلي والموجّه بالبيانات وصول العملاء إلى تجربة الدفع الأكثر ملاءمة وسرعة بالنسبة لهم، مع تخصيص وقت ممثلي الخدمة للحالات التي تحتاج اهتمامًا خاصًا.

وفي الوقت نفسه، تدخل بيانات قرارات هؤلاء العملاء وأنماط مدفوعاتهم المستقبلية في تدريب نموذج ML لتقديم الخيارات التي من المرجح أن تقود العملاء المستقبليين إلى دفع مستقل وبالوقت في المستقبل.

كيفية إضفاء طابع ديمقراطي على البيانات عبر مؤسستك

لا تحدث حركة إضفاء طابع ديمقراطي على البيانات بشكل تلقائي أو مستقل. فهي تبدأ أولًا بالتزام من مقدم مدفوعاتك بإزالة جزر البيانات وحراس بوابة تقنية المعلومات الذين يقفون في طريق إدخال البيانات كاملةً وبشكل سريع إلى أيدي أصحاب المصلحة. إذا كان مزود مدفوعاتك الحالي لا يجعل ذلك أولوية، فقد حان الوقت للنظر في جهة أخرى.

ينبغي أن يكون مزود مدفوعاتك أولًا يعمل على تطوير مستودع بيانات (data warehouse) يقوم فيه بتجميع وتوحيد (normalize) كل بيانات المدفوعات. ثم يجب عليه تسليم البيانات بالشكل الأكثر فائدة لك. وقد يعني ذلك تزويد موظفيك ببيانات خام يمكنهم تنزيلها وتحليلها داخليًا، أو إكمال التحليل لك، أو تصور بياناتك إجمالاً مع بيانات الصناعة، أو تقديم بيانات سياقية من مصادر خارجية.

بمجرد وضع هذه العناصر في مكانها، تصبح الكرة في ملعبك لجعل البيانات قابلة للملاحظة من قِبل جميع أصحاب المصلحة في مؤسستك – حتى أولئك الأقل تقنية – حتى يتمكنوا من اتخاذ إجراءات ومتابعة أهداف مبنية على حقائق لا على المشاعر.

لقد مهّدت حركة إضفاء طابع ديمقراطي على البيانات الطريق أمام شركات التحصيل لإضافة الأدلة والسياق إلى اتخاذ القرار في جميع أنحاء المنظمة. من يستفيدون سيحصلون على أفضلية في تحسين الاستراتيجيات لزيادة الدفع الذاتي (self-service) وإنشاء تجربة عميل سلسة ومرضية.

عن المؤلف

ستيف كرامر (Steve Kramer) هو نائب الرئيس لمنتج PayNearMe، حيث يقود فريق تطوير المنتج. وبخبرة تزيد عن 25 عامًا في المدفوعات والمنتجات، يضمن ستيف أن حلول PayNearMe تقود السوق عبر تقليل احتكاك المستهلك وتقديم أوسع مجموعة من خيارات الدفع والقنوات، مع الحفاظ في الوقت نفسه على التركيز على الأمان والموثوقية لضمان أن يجمع العملاء كل دفعة، في كل مرة.