Trois façons dont la démocratisation des données peut améliorer le paiement des factures pour les entreprises et leurs clients

Dites bonjour au yottabyte, qui représente 1024 octets, ou la quantité de données qui tiendrait sur des DVD empilés de la Terre à Mars. D’ici les années 2030, on s’attend à ce que le monde génère un yottabyte de données par an.

À quoi bon, toutefois, cette vaste étendue de données, si elle ne peut pas être consultée, analysée et utilisée de manière rapide et efficace pour éclairer les décisions actuelles et futures ? Cette question a suscité une conversation grandissante autour de la valeur de « démocratiser les données » ou de rendre les données plus accessibles à toutes les parties d’une organisation. Lorsque les données sont démocratisées, elles peuvent être utilisées pour comprendre la santé de l’entreprise, prédire les résultats et élaborer des stratégies visant à réduire les dépenses opérationnelles et à générer davantage de profit. Une partie de la « démocratisation » ne consiste pas seulement à obtenir l’accès aux données, mais aussi à permettre à des personnes ayant des parcours techniques variés de pouvoir utiliser ces données pour éclairer des décisions liées à l’activité.

Les entreprises fintech et leurs clients, tels que les services de facturation, sont particulièrement bien placés pour participer à ce mouvement de démocratisation en raison de la grande quantité de données de paiement disponibles – si ces données peuvent être rendues accessibles à toutes les parties prenantes au sein de l’organisation de facturation. Dans cet article, nous aborderons les principaux obstacles à la démocratisation des données – les silos de données et les gardiens IT – ainsi que la manière dont l’accès à ces données peut transformer les paiements pour les services de facturation et leurs clients.

Silos et le gardien IT

Depuis les 50 dernières années, les données ont été contrôlées en grande partie par des techniciens IT et des analystes qui disposent de connaissances et de formations spécialisées. Les données de paiement, en particulier, sont généralement verrouillées dans des plateformes de paiement, à partir desquelles les équipes d’ingénierie des prestataires compilent des rapports standard pour leurs clients chaque trimestre et créent des rapports sur mesure sur demande.

Les données de paiement ne devraient pas être verrouillées entre les mains de quelques personnes. Il existe des milliards de points de données qui vivent au sein des plateformes de paiement. Ces données de paiement sont essentiellement la manière dont les clients communiquent avec leurs institutions de prêt chaque mois. Lorsque les services de facturation peuvent accéder à ces données et les appliquer de nouvelles façons, elles peuvent servir à aider chacun, dans leur organisation, à prendre des décisions mieux informées et à stimuler des améliorations opérationnelles.

Démocratiser les données ouvre un trésor d’enseignements actionnables, qui peuvent être appliqués de nouvelles manières, avec imagination. Voici trois façons pour les services de facturation de mettre ces enseignements à profit afin de renforcer l’efficacité opérationnelle et de donner aux équipes le pouvoir de décider :

2.      

### Identifier et améliorer les zones de faiblesse, puis définir des priorités en conséquence

Avoir des données et des statistiques de paiement sous les yeux, c’est une chose, mais cela conduit souvent à plus de questions que de réponses. Ces chiffres sont-ils bons ? Mauvais ? Faut-il agir ? Et si oui, où ?

Lorsque votre prestataire de paiements vous permet de mesurer et d’étalonner vos paiements et vos données clients par rapport aux données agrégées de l’industrie, vous pouvez suivre l’évolution des tendances de paiement et de consommation au fil de leur déroulement dans différents marchés et lieux, et prédire l’impact sur votre activité.

Les données d’étalonnage révèlent des valeurs atypiques – des zones où vous êtes nettement au-dessus ou en dessous de la moyenne – et vous aident à comprendre dans quelle direction évolue l’industrie.

Par exemple, vous pouvez examiner les taux de paiements refusés et les rejets (chargebacks), puis déterminer ce qui peut être fait pour aligner vos chiffres sur la moyenne de l’industrie, ou les dépasser. Vous pouvez aussi étudier les communications d’engagement agrégées, en vous demandant : « Quels sont les taux de clics (clickthrough) typiques pour les SMS par rapport à l’e-mail, et à quelle vitesse cela conduit-il à un paiement pour notre entreprise par rapport à l’ensemble de l’industrie ? ». Vous pourriez remarquer des endroits où vous pourriez modifier des règles ou des paramètres d’activité, introduire de nouveaux types de paiement ou déplacer le message d’engagement à un autre jour ou à une autre heure pour générer davantage de paiements à l’heure.

Les données d’étalonnage aident également à identifier les tendances émergentes de paiement afin que vous puissiez vous adapter rapidement pour traiter les problèmes ou répondre à de nouvelles demandes. Vous pourriez constater qu’un certain type de paiement gagne du terrain ou que le retard des paiements automatiques (auto-paiement) accuse du retard dans un segment démographique spécifique. Lorsque vous pouvez visualiser vos données à un niveau granulaire, superposées aux moyennes de l’industrie, vous pouvez réagir et vous adapter, définir des KPI réalistes et vous concentrer sur les améliorations de processus qui génèrent de véritables efficacités opérationnelles.

3.      

### Prédire ce qui arrive pour permettre une meilleure planification

Limiter l’analyse des données à des sources internes, voire à des sources couvrant l’ensemble de l’industrie, peut laisser des lacunes dans la compréhension. C’est pourquoi de nombreuses entreprises intègrent des données externes dans leurs analyses : elles recherchent un champ de vision plus large pour comprendre comment ce qui se passe dans « le monde extérieur » peut influencer les comportements de paiement aujourd’hui et à l’avenir.

À mesure que davantage de fournisseurs de plateformes de paiement se lancent dans la démocratisation des données, cela pourrait ouvrir des opportunités de diffusion des données de paiement vers l’écosystème du facturier. Lorsqu’elles sont combinées à d’autres points de données tels que les cotes de crédit, l’indice des prix à la consommation ou les informations de recensement, cela peut aider votre prestataire de paiements à déterminer le profil de risque d’un individu ou d’un groupe démographique, ce qui permet de mieux prédire les schémas de paiement, de cibler les communications d’engagement et d’automatiser des règles métier réputées encourager les paiements à l’heure.

Les données économiques provenant de sources gouvernementales peuvent révéler des zones où la hausse du chômage ou la baisse du PIB pourrait affecter la solidité financière d’un grand groupe de clients. Même des données météorologiques peuvent être utiles. Par exemple, l’ouragan Ian a ravagé l’économie de l’ensemble de l’État de Floride : des entreprises ont fermé, les résidents ont fui et les consommateurs ont versé de l’argent pour se préparer à la tempête et pour se remettre du sinistre, les laissant avec bien moins de capacité pour payer leurs factures.

Lorsque vous disposez de données facilement accessibles pour établir des prédictions fondées sur des faits, vous pouvez préparer votre entreprise aux impacts sur les paiements en avance. Vous pouvez aussi travailler avec votre prestataire de paiements pour automatiser la prise de contact auprès des débiteurs de manière proactive avant que les paiements manqués ne deviennent un problème plus vaste et plus coûteux. Vous pourriez être en mesure de proposer des solutions comme fractionner les paiements, modifier les dates d’échéance pour qu’elles coïncident avec le jour de paie, ou envoyer des rappels de paiement plus fréquents.

4.      

### Automatiser la prise de décision pour lutter contre la fraude et d’autres problèmes

L’industrie des paiements génère une quantité énorme de données qui peut être utile pour signaler des problèmes potentiels — mais uniquement si les services de facturation disposent d’un moyen d’analyser ces données en temps réel, de prédire les résultats et d’automatiser les réponses. Votre prestataire de paiements doit pouvoir tirer parti de l’intelligence artificielle (IA) et de l’apprentissage automatique (ML) pour atteindre ces objectifs, ce qui rend possible la détection et la prédiction de manière rentable et fiable d’activités frauduleuses, de paiements en retard, de retours ACH, et plus encore, et d’engager des corrections de manière proactive via des règles métier automatisées.

Le ML et l’IA sont liés dans le même écosystème — les systèmes d’IA sont construits en utilisant le ML, ainsi que d’autres techniques. Avec le ML, les machines apprennent à partir de jeux de données au lieu d’avoir à être programmées. Elles peuvent classifier des données, reconnaître des schémas et créer des modèles prédictifs. Les programmes d’IA exploitent ces capacités pour effectuer des tâches complexes, en reproduisant les capacités et actions humaines. Les chatbots, les assistants intelligents tels qu’Amazon Alexa, et les voitures autonomes sont toutes des applications de l’IA.

Un exemple de modèle de ML dans le secteur des paiements conçu pour atteindre l’objectif d’IA consiste à identifier un schéma de chargebacks élevés pour un certain groupe de clients et à appliquer automatiquement une règle métier supprimant les cartes comme option de paiement une fois qu’un client initie son troisième chargeback sur une période de six mois. Le ML rend cette réponse immédiate, précise et automatique, supprimant tout besoin de saisie manuelle ou de prise de décision.

L’IA peut aussi aider à améliorer l’expérience client et à réduire les dépenses opérationnelles. Par exemple, un modèle de ML peut être à l’origine d’une application d’IA visant à identifier et à orienter les clients disposant d’historiques de paiement fiables vers des options de paiement en libre-service via les capacités IVR, chatbot ou messagerie texte, combinées à des liens de paiement personnalisés. Il peut également envoyer à ces clients des messages d’engagement spéciaux pour encourager l’inscription au paiement automatique (auto-pay), y compris des liens personnalisés pour rendre ce processus facile et fluide.

Les personnes en revanche présentant un schéma de paiements manqués ou de retours ACH peuvent recevoir des communications proposant des options de réconciliation. Par exemple, souhaiteraient-elles que leur paiement manqué soit fractionné en plusieurs paiements et ajouté à des factures futures ?  Leur semblerait-il utile de déplacer leur date de paiement pour qu’elle coïncide avec le jour de paie ? Ou bien préféreraient-elles effectuer des paiements hebdomadaires plutôt qu’un paiement mensuel unique ? Les clients pourraient ensuite cliquer sur des liens pour mettre en œuvre leurs décisions de manière indépendante, plutôt que de dépendre d’un appel téléphonique avec un agent. Ce type de prise de décision automatisée et guidée par les données amène les clients à l’expérience de paiement la plus opportune et la plus adaptée à leurs besoins, tout en réservant le temps des représentants du service aux cas qui nécessitent une attention particulière.

En attendant, les données issues des décisions de ces clients, ainsi que leurs schémas de paiement futurs, servent à entraîner le modèle de ML afin d’offrir aux futurs clients les options les plus susceptibles de mener, à l’avenir, à des paiements indépendants et à l’heure.

Comment démocratiser les données dans toute votre organisation

La démocratisation des données ne se produit pas spontanément ni de manière indépendante. Elle nécessite d’abord un engagement du fournisseur de votre paiement afin de supprimer les silos et les gardiens qui font obstacle à l’obtention des données de manière complète et rapide entre les mains de vos parties prenantes. Si votre prestataire de paiements actuel ne fait pas de cela une priorité, il peut être temps de chercher ailleurs.

Votre prestataire de paiements devrait commencer par développer un entrepôt de données où il compile et normalise l’ensemble des données de paiement. Il devrait ensuite livrer les données dans le format le plus utile pour vous. Cela peut signifier fournir des données brutes à votre équipe pour les télécharger et les analyser en interne, réaliser l’analyse pour vous, visualiser vos données de manière agrégée avec les données de l’industrie, ou proposer des données contextuelles provenant de sources externes.

Une fois ces éléments en place, c’est à vous de rendre les données observables pour toutes les parties prenantes de votre organisation — y compris les moins techniques — afin qu’elles puissent agir et poursuivre des objectifs fondés sur des faits, et non sur des impressions.

Le mouvement de démocratisation des données a préparé le terrain pour que les services de facturation ajoutent des preuves et du contexte à la prise de décision tout au long de l’organisation. Ceux qui en tirent parti auront un avantage pour optimiser les stratégies visant à renforcer le libre-service et à créer une expérience client fluide et satisfaisante.

À propos de l’auteur

Steve Kramer est Vice-président Produit chez PayNearMe, où il dirige l’équipe de développement produit. Avec plus de 25 ans d’expérience en paiements et en produits, Steve veille à ce que les solutions de PayNearMe prennent la tête du marché en réduisant la friction pour les consommateurs et en offrant la plus large gamme d’options de paiement et de canaux, tout en restant concentré sur la sécurité et la fiabilité afin de garantir que les clients encaissent chaque paiement, à chaque fois.