Tiga Cara Demokratisasi Data Dapat Meningkatkan Pembayaran Tagihan untuk Bisnis dan Pelanggan Mereka

Halo yottabyte, yang mewakili 1024 byte, atau jumlah data yang cukup untuk muat di DVD yang ditumpuk dari Bumi ke Mars. Pada tahun 2030-an, dunia diperkirakan akan menghasilkan satu yottabyte data setiap tahun.

Namun, apa gunanya lautan data yang begitu besar ini, kecuali dapat diakses, dianalisis, dan digunakan secara cepat untuk mendukung keputusan saat ini dan masa depan? Pertanyaan ini memicu percakapan yang semakin berkembang tentang nilai “demokratisasi data” atau membuat data lebih mudah diakses oleh semua bagian organisasi. Ketika data didemokratisasi, data tersebut dapat digunakan untuk memahami kesehatan bisnis, memprediksi hasil, dan mengembangkan strategi untuk mengurangi biaya operasional serta meningkatkan keuntungan. Sebagian dari “demokratisasi” bukan hanya tentang mendapatkan akses ke data, tetapi juga memungkinkan orang dengan latar belakang teknis berbeda untuk menggunakan data tersebut dalam pengambilan keputusan bisnis.

Perusahaan fintech dan klien mereka, seperti penagih, sangat cocok untuk berpartisipasi dalam gerakan demokratisasi ini karena banyaknya data pembayaran yang tersedia—jika data tersebut dapat diakses oleh semua pemangku kepentingan dalam organisasi penagihan. Dalam artikel ini, kita akan membahas hambatan utama dalam demokratisasi data—silo data dan pengawal TI—serta bagaimana akses ke data ini dapat mengubah pembayaran bagi penagih dan pelanggan mereka.

Silo dan Pengawal TI

Selama 50 tahun terakhir, data sebagian besar dikendalikan oleh teknisi dan analis TI yang memiliki pengetahuan dan pelatihan khusus. Data pembayaran, khususnya, biasanya terkunci dalam platform pembayaran, dari mana tim rekayasa penyedia mengumpulkan laporan standar untuk klien mereka setiap kuartal dan membuat laporan kustom sesuai permintaan.

Data pembayaran seharusnya tidak terkunci di tangan segelintir orang. Ada miliaran titik data yang tersimpan dalam platform pembayaran. Data ini pada dasarnya adalah cara pelanggan berkomunikasi dengan lembaga pemberi pinjaman mereka setiap bulan. Ketika penagih dapat mengakses dan menerapkan data tersebut dengan cara baru dan inovatif, data itu dapat digunakan untuk membantu semua orang dalam organisasi mereka membuat keputusan yang lebih baik dan mendorong perbaikan operasional.

Demokratisasi data membuka harta karun wawasan yang dapat diterapkan secara baru dan inovatif. Berikut tiga cara penagih dapat memanfaatkan wawasan tersebut untuk meningkatkan efisiensi operasional dan memberdayakan pengambilan keputusan:

1. Mengidentifikasi dan memperbaiki area kelemahan serta mengarahkan prioritas sesuai kebutuhan

Memiliki data dan statistik pembayaran di depan Anda adalah satu hal, tetapi seringkali menimbulkan lebih banyak pertanyaan daripada jawaban. Apakah angka-angka tersebut baik? Buruk? Haruskah Anda mengambil tindakan? Dan jika ya, di mana?

Ketika penyedia pembayaran Anda memungkinkan Anda mengukur dan membandingkan data pembayaran dan pelanggan Anda dengan data industri secara agregat, Anda dapat melacak tren pembayaran dan perilaku konsumen saat mereka berkembang di berbagai pasar dan lokasi serta memprediksi dampaknya terhadap bisnis Anda.

Data pembanding mengungkapkan outlier—area di mana Anda secara mencolok di atas atau di bawah rata-rata—dan membantu Anda memahami ke mana arah industri bergerak.

Misalnya, Anda dapat memeriksa tingkat penolakan pembayaran dan chargeback lalu menentukan langkah apa yang dapat diambil untuk menyelaraskan angka Anda dengan rata-rata industri, atau bahkan di atasnya. Anda juga dapat mempelajari komunikasi keterlibatan yang teragregasi, menanyakan, “Berapa tingkat klik-tayang yang tipikal untuk SMS versus email, dan seberapa cepat itu menghasilkan pembayaran untuk bisnis kami dibandingkan industri secara keseluruhan?” Anda mungkin menemukan tempat di mana Anda bisa mengubah aturan bisnis atau parameter, memperkenalkan jenis pembayaran baru, atau memindahkan pesan keterlibatan ke hari atau waktu tertentu untuk mendorong pembayaran tepat waktu.

Data pembanding juga membantu Anda mengidentifikasi tren pembayaran yang sedang muncul sehingga Anda dapat beradaptasi dengan cepat untuk mengatasi masalah atau memenuhi permintaan baru. Anda mungkin melihat jenis pembayaran tertentu yang semakin diminati atau pembayaran otomatis yang tertinggal di demografi tertentu. Ketika Anda dapat melihat data secara rinci, dibandingkan dengan rata-rata industri, Anda dapat bereaksi dan beradaptasi, menetapkan KPI yang realistis, dan fokus pada perbaikan proses yang mendorong efisiensi operasional nyata.

2. Memprediksi apa yang akan datang untuk perencanaan yang lebih baik

Membatasi analisis data hanya pada sumber internal, bahkan sumber industri secara keseluruhan, dapat meninggalkan celah dalam pemahaman. Itulah sebabnya banyak perusahaan mengintegrasikan data eksternal ke dalam analisis mereka; mereka mencari pandangan yang lebih luas tentang bagaimana apa yang terjadi di “dunia luar” dapat mempengaruhi perilaku pembayaran hari ini dan di masa depan.

Seiring semakin banyak penyedia platform pembayaran yang mendalami demokratisasi data, ini dapat membuka peluang untuk mengalirkan data pembayaran ke ekosistem penagih. Ketika digabungkan dengan data lain seperti skor kredit, indeks harga konsumen, atau data sensus, hal ini dapat membantu penyedia pembayaran Anda menentukan profil risiko individu atau kelompok demografis, yang membantu Anda memprediksi pola pembayaran, menargetkan komunikasi keterlibatan, dan mengotomatisasi aturan bisnis yang diketahui mendorong pembayaran tepat waktu.

Data ekonomi dari sumber pemerintah dapat mengungkap area di mana meningkatnya pengangguran atau penurunan PDB dapat mempengaruhi kekuatan finansial sekelompok besar pelanggan. Bahkan data prakiraan cuaca bisa berguna. Misalnya, Badai Ian menyebabkan kerusakan besar pada ekonomi seluruh negara bagian Florida saat bisnis tutup, penduduk mengungsi, dan konsumen mengeluarkan uang untuk mempersiapkan dan pulih dari badai, meninggalkan mereka dengan kapasitas yang jauh lebih kecil untuk membayar tagihan.

Ketika Anda memiliki data yang tersedia untuk membuat prediksi berbasis fakta, Anda dapat mempersiapkan bisnis Anda terhadap dampak pembayaran sebelum terjadi. Anda juga dapat bekerja sama dengan penyedia pembayaran Anda untuk mengotomatisasi penjangkauan kepada pembayar secara proaktif sebelum pembayaran yang tertunda menjadi masalah yang lebih besar dan mahal. Anda mungkin dapat menawarkan solusi seperti membagi pembayaran, mengubah tanggal jatuh tempo agar bertepatan dengan hari gajian, atau mengirim pengingat pembayaran lebih sering.

3. Mengotomatisasi pengambilan keputusan untuk mengatasi penipuan dan masalah lain

Industri pembayaran menghasilkan jumlah data yang sangat besar yang dapat berguna untuk menandai potensi masalah—tetapi hanya jika penagih memiliki cara untuk menganalisis data tersebut secara real-time, memprediksi hasil, dan mengotomatisasi respons. Penyedia pembayaran Anda harus mampu memanfaatkan kecerdasan buatan (AI) dan pembelajaran mesin (ML) untuk mencapai tujuan tersebut, sehingga dapat mendeteksi dan memprediksi aktivitas penipuan, keterlambatan pembayaran, pengembalian ACH, dan lainnya secara biaya-efisien dan andal, serta memulai perbaikan secara proaktif melalui aturan bisnis otomatis.

ML dan AI terhubung dalam ekosistem yang sama—sistem AI dibangun menggunakan ML, serta teknik lainnya. Dengan ML, mesin belajar dari dataset daripada harus diprogram secara langsung. Mereka dapat mengklasifikasikan data, mengenali pola, dan membuat model prediktif. Program AI memanfaatkan kemampuan ini untuk melakukan tugas kompleks, meniru kemampuan dan tindakan manusia. Chatbot, asisten pintar seperti Amazon Alexa, dan mobil otonom adalah semua aplikasi AI.

Contoh model ML di sektor pembayaran yang dirancang untuk mencapai AI adalah mengidentifikasi pola chargeback tinggi untuk sekelompok pelanggan tertentu dan secara otomatis menerapkan aturan bisnis untuk menghapus kartu sebagai opsi pembayaran setelah pelanggan melakukan chargeback ketiga dalam periode enam bulan. ML membuat respons ini langsung, spesifik, dan otomatis, tanpa perlu intervensi manual.

AI juga dapat membantu meningkatkan pengalaman pelanggan dan mengurangi biaya operasional. Misalnya, model ML dapat digunakan untuk mengarahkan pelanggan dengan riwayat pembayaran yang andal ke opsi pembayaran mandiri melalui IVR, chatbot, atau SMS yang dipadukan dengan tautan pembayaran yang dipersonalisasi. Ini juga dapat mengirim pesan keterlibatan khusus kepada pelanggan tersebut untuk mendorong pendaftaran pembayaran otomatis, termasuk tautan yang dipersonalisasi agar prosesnya mudah dan lancar.

Sebaliknya, pelanggan yang memiliki pola pembayaran tertunda atau pengembalian ACH dapat dikirimi komunikasi dengan opsi untuk menyelesaikan pembayaran mereka. Misalnya, apakah mereka ingin membagi pembayaran tertunda menjadi beberapa pembayaran dan menambahkannya ke tagihan berikutnya? Apakah mereka akan merasa terbantu jika tanggal pembayaran mereka disesuaikan agar bertepatan dengan hari gajian? Atau apakah mereka lebih suka melakukan pembayaran mingguan daripada satu pembayaran bulanan? Pelanggan kemudian dapat mengklik tautan untuk melaksanakan keputusan mereka secara mandiri, tanpa harus menelepon agen. Pengambilan keputusan otomatis berbasis data ini membantu pelanggan mencapai pengalaman pembayaran yang paling cepat dan sesuai, sambil menghemat waktu petugas layanan.

Sementara itu, data dari keputusan pelanggan tersebut dan pola pembayaran mereka di masa depan digunakan untuk melatih model ML agar menawarkan opsi yang paling mungkin menghasilkan pembayaran tepat waktu dan mandiri di masa mendatang.

Cara Mendemokratisasi Data di Seluruh Organisasi Anda

Demokratisasi data tidak terjadi secara organik atau mandiri. Pertama, dibutuhkan komitmen dari penyedia pembayaran Anda untuk menghapus silo dan pengawal TI yang menghalangi akses lengkap dan cepat ke data oleh pemangku kepentingan. Jika penyedia pembayaran Anda saat ini tidak memprioritaskan hal ini, mungkin saatnya mencari penyedia lain.

Penyedia pembayaran Anda harus mulai mengembangkan gudang data (data warehouse) di mana mereka mengumpulkan dan menormalkan semua data pembayaran. Selanjutnya, mereka harus menyajikan data dalam format yang paling membantu Anda. Ini bisa berarti menyediakan data mentah untuk diunduh dan dianalisis secara internal, menyelesaikan analisis untuk Anda, memvisualisasikan data secara agregat bersama data industri, atau menawarkan data kontekstual dari sumber eksternal.

Setelah elemen-elemen tersebut tersedia, giliran Anda untuk membuat data tersebut dapat diamati oleh semua pemangku kepentingan di organisasi—bahkan yang kurang teknis—agar mereka dapat mengambil tindakan dan mengejar tujuan berdasarkan fakta, bukan perasaan.

Gerakan demokratisasi data telah membuka peluang bagi penagih untuk menambahkan bukti dan konteks dalam pengambilan keputusan di seluruh organisasi. Mereka yang memanfaatkannya akan memiliki keunggulan dalam mengoptimalkan strategi untuk meningkatkan layanan mandiri dan menciptakan pengalaman pelanggan yang lancar dan memuaskan.

Tentang Penulis

Steve Kramer adalah Wakil Presiden Produk di PayNearMe, di mana ia memimpin tim pengembangan produk. Dengan lebih dari 25 tahun pengalaman di bidang pembayaran dan produk, Steve memastikan solusi PayNearMe memimpin pasar dengan mengurangi hambatan bagi konsumen dan menawarkan berbagai pilihan serta saluran pembayaran yang luas, sambil tetap fokus pada keamanan dan keandalan untuk memastikan klien menerima setiap pembayaran, setiap saat.