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

Ucapkan halo kepada yottabyte, yang mewakili 1024 byte, atau jumlah data yang dapat muat pada DVD yang ditumpuk dari Bumi hingga Mars. Pada tahun-tahun 2030-an, dunia diperkirakan akan menghasilkan yottabyte data per tahun.

Seberapa bagus lautan data yang begitu besar ini, meskipun begitu, kecuali jika data tersebut dapat diakses, dianalisis, dan dimanfaatkan secara cepat untuk menginformasikan keputusan saat ini dan keputusan di masa depan? Pertanyaan itu telah memicu percakapan yang makin berkembang tentang nilai “mendemokratisasikan data” atau membuat data lebih mudah diakses oleh semua bagian dalam sebuah organisasi. Ketika data didemokratisasi, data dapat digunakan untuk memahami kesehatan bisnis, memprediksi hasil, serta mengembangkan strategi untuk menurunkan biaya operasional dan mendorong profit yang lebih besar. Bagian dari “mendemokratisasikan” bukan hanya mendapatkan akses ke data, tetapi juga memungkinkan orang dengan latar belakang teknis yang beragam untuk dapat menggunakan data tersebut dalam menginformasikan keputusan bisnis.

Perusahaan fintech dan klien mereka, seperti penagih, sangat siap untuk ikut berpartisipasi dalam gerakan pendemokratisasian karena jumlah data pembayaran yang sangat besar yang tersedia — jika data tersebut dapat dibuat dapat diakses oleh semua pemangku kepentingan dalam organisasi penagihan. Dalam artikel ini, kami akan membahas hambatan utama pendemokratisasian data — data silo dan penjaga gerbang TI — serta bagaimana mendapatkan akses ke data tersebut dapat mengubah pembayaran bagi penagih dan pelanggan mereka.

Silo dan Penjaga Gerbang TI

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

Data pembayaran seharusnya tidak terkunci di tangan beberapa pihak. Ada miliaran titik data yang hidup di dalam platform pembayaran. Data pembayaran ini pada dasarnya adalah cara pelanggan berkomunikasi dengan institusi 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 di dalam organisasi mereka membuat keputusan yang lebih terinformasi dan mendorong peningkatan operasional.

Mendemokratisasikan data membuka khazanah wawasan yang dapat ditindaklanjuti dan dapat diterapkan dengan cara baru dan inovatif. Berikut tiga cara penagih dapat memanfaatkan wawasan tersebut untuk meningkatkan efisiensi operasional dan memberdayakan pengambilan keputusan:

2.      

### Identifikasi dan perbaiki area kelemahan serta arahkan prioritas sesuai kebutuhan

Memiliki data pembayaran dan statistik di depan Anda adalah satu hal, tetapi itu sering kali menimbulkan lebih banyak pertanyaan daripada jawaban. Apakah angka-angka itu bagus? Buruk? Apakah Anda perlu mengambil tindakan? Dan jika ya, di mana?

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

Data pembanding mengungkap outlier — area yang Anda berada jauh di atas atau jauh di bawah rata-rata — dan membantu Anda memahami ke arah mana industri sedang bergerak.

Sebagai contoh, Anda dapat menelaah tingkat pembayaran yang ditolak dan chargeback, lalu menentukan apa yang bisa dilakukan untuk menyelaraskan angka Anda dengan, atau bahkan melampaui, rata-rata industri. Anda juga dapat mempelajari komunikasi keterlibatan yang diagregasi, dengan bertanya, “Berapa tingkat klik yang biasa untuk SMS dibanding email, dan seberapa cepat hal itu mengarah pada pembayaran untuk bisnis kami dibandingkan dengan keseluruhan industri?” Anda mungkin menemukan tempat-tempat di mana Anda dapat mengubah aturan atau parameter bisnis, memperkenalkan jenis pembayaran baru, atau memindahkan pesan keterlibatan ke hari lain atau waktu lain dalam sehari untuk mendorong lebih banyak pembayaran yang tepat waktu.

Data pembanding juga membantu Anda mengidentifikasi tren pembayaran yang sedang muncul sehingga Anda dapat beradaptasi dengan cepat untuk menangani masalah atau memenuhi permintaan baru. Anda mungkin melihat jenis pembayaran tertentu mendapatkan daya tarik atau keterlambatan pembayaran otomatis tertinggal pada demografi tertentu. Ketika Anda dapat melihat data Anda pada tingkat yang lebih granular, disusun berdampingan dengan rata-rata industri, Anda dapat bereaksi dan beradaptasi, menetapkan KPI yang realistis, serta fokus pada perbaikan proses yang mendorong efisiensi operasional nyata.

3.      

### Prediksi apa yang ada di depan untuk memungkinkan perencanaan yang lebih baik

Membatasi analisis data pada sumber internal, bahkan sumber di seluruh industri, dapat menimbulkan celah dalam pemahaman. Itulah mengapa banyak perusahaan memasukkan data eksternal ke dalam analisis mereka; mereka mencari lensa yang lebih luas untuk memahami bagaimana yang terjadi di “dunia luar” dapat memengaruhi perilaku pembayaran saat ini dan di masa depan.

Seiring makin banyak penyedia platform pembayaran yang mendalami pendemokratisasian data, hal itu dapat membuka peluang untuk mengalirkan data pembayaran ke ekosistem penagih. Bila digabungkan dengan titik data lain seperti skor kredit, indeks harga konsumen, atau informasi sensus, hal itu dapat membantu penyedia pembayaran Anda menentukan profil risiko individu atau kelompok demografis, yang membantu Anda memprediksi pola pembayaran secara lebih baik, menargetkan komunikasi keterlibatan, dan mengotomatisasi aturan bisnis yang diketahui mendorong pembayaran tepat waktu.

Data ekonomi dari sumber pemerintah dapat mengungkap area-area di mana meningkatnya pengangguran atau turunnya PDB dapat memengaruhi ketahanan finansial kelompok besar pelanggan. Bahkan data prakiraan cuaca pun bisa berguna. Misalnya, Badai Ian mengacaukan ekonomi seluruh negara bagian Florida ketika bisnis tutup, warga mengungsi, dan konsumen menuangkan uang untuk bersiap menghadapi serta memulihkan diri dari badai tersebut, sehingga menyisakan kemampuan yang jauh lebih kecil untuk membayar tagihan.

Ketika Anda memiliki data yang tersedia dengan mudah untuk membuat prediksi berbasis fakta, Anda dapat mempersiapkan bisnis Anda terhadap dampak pembayaran jauh sebelum waktunya. Anda juga dapat bekerja sama dengan penyedia pembayaran Anda untuk mengotomatisasi upaya penjangkauan kepada pihak pembayar secara proaktif sebelum pembayaran yang terlewat menciptakan masalah yang lebih besar dan lebih mahal. Anda mungkin dapat menawarkan solusi seperti memecah pembayaran, mengubah tanggal jatuh tempo pembayaran agar bertepatan dengan payday, atau mengirim pengingat pembayaran yang lebih sering.

4.      

### Otomatiskan pengambilan keputusan untuk mengatasi penipuan dan masalah lainnya

Industri pembayaran menghasilkan jumlah data yang sangat besar yang dapat berguna untuk memberi tanda pada 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 machine learning (ML) untuk mencapai tujuan itu, sehingga memungkinkan untuk mendeteksi dan memprediksi aktivitas penipuan, pembayaran terlambat, pengembalian ACH, dan lainnya secara efisien biaya serta andal, sekaligus memulai perbaikan secara proaktif melalui aturan bisnis yang terotomatisasi.

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

Sebuah contoh model ML di sektor pembayaran yang dirancang untuk mencapai AI adalah mengidentifikasi pola chargeback yang tinggi untuk kelompok pelanggan tertentu dan secara otomatis menerapkan aturan bisnis untuk menghapus kartu sebagai opsi pembayaran setelah seorang pelanggan memulai chargeback ketiganya dalam periode enam bulan. ML membuat respons ini menjadi langsung, spesifik, dan otomatis, sehingga tidak diperlukan masukan atau pengambilan keputusan secara manual.

AI juga dapat membantu meningkatkan pengalaman pelanggan dan menurunkan biaya operasional. Misalnya, sebuah model ML dapat menjadi bagian di balik aplikasi AI untuk mengidentifikasi dan mengarahkan pelanggan dengan riwayat pembayaran yang andal ke opsi pembayaran mandiri menggunakan kemampuan IVR, chatbot, atau SMS, yang dipadukan dengan tautan pembayaran yang dipersonalisasi. Ia juga dapat mengirim pesan keterlibatan khusus kepada pelanggan tersebut untuk mendorong pendaftaran auto-pay, termasuk tautan yang dipersonalisasi agar prosesnya mudah dan mulus.

Mereka yang, di sisi lain, memiliki pola pembayaran yang terlewat atau pengembalian ACH dapat dikirimi komunikasi dengan opsi cara melakukan rekonsiliasi. Misalnya, apakah mereka ingin pembayaran yang terlewat dipecah menjadi beberapa pembayaran dan ditambahkan ke tagihan di masa depan?  Apakah mereka akan menganggapnya bermanfaat untuk memindahkan tanggal pembayaran agar bertepatan dengan payday? Atau apakah pembayaran mingguan lebih disukai dibanding satu pembayaran bulanan? Pelanggan kemudian dapat mengklik tautan untuk menjalankan keputusan mereka secara mandiri, alih-alih bergantung pada panggilan telepon dengan agen. Jenis pengambilan keputusan otomatis yang diarahkan data ini membuat pelanggan mendapatkan pengalaman pembayaran yang paling cepat dan paling sesuai bagi mereka, sekaligus menyisihkan waktu perwakilan layanan untuk kasus-kasus yang memerlukan perhatian khusus.

Sementara itu, data dari keputusan pelanggan tersebut, dan pola pembayaran mereka di masa depan, masuk ke pelatihan model ML untuk menawarkan opsi yang paling mungkin membawa pelanggan masa depan kepada pembayaran mandiri yang tepat waktu di masa depan.

Cara Merdemokratisasikan Data di Seluruh Organisasi Anda

Pendemokratisasian data tidak terjadi secara organik atau independen. Ini pertama-tama membutuhkan komitmen dari penyedia pembayaran Anda untuk menghilangkan silo dan penjaga gerbang yang menghalangi agar data bisa masuk sepenuhnya dan secepat mungkin ke tangan para pemangku kepentingan Anda. Jika penyedia pembayaran Anda saat ini tidak menjadikan hal ini sebagai prioritas, mungkin sudah waktunya untuk mencari ke tempat lain.

Penyedia pembayaran Anda seharusnya pertama-tama mengembangkan gudang data tempat ia mengompilasi dan menormalkan semua data pembayaran. Lalu, ia harus menyampaikan data dalam format yang paling membantu Anda. Ini bisa berarti menyediakan data mentah agar staf Anda dapat mengunduh dan menganalisis secara internal, menyelesaikan analisis untuk Anda, memvisualisasikan data Anda secara agregat bersama data industri, atau menawarkan data kontekstual dari sumber eksternal.

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

Gerakan pendemokratisasian data telah menyiapkan panggung bagi penagih untuk menambahkan bukti dan konteks pada pengambilan keputusan di seluruh organisasi. Mereka yang memanfaatkan peluang ini akan unggul dalam mengoptimalkan strategi untuk meningkatkan layanan mandiri dan menciptakan pengalaman pelanggan yang tanpa gesekan (frictionless) dan memuaskan.

Tentang Penulis

Steve Kramer adalah Vice President Product di PayNearMe, tempat ia memimpin tim pengembangan produk. Dengan lebih dari 25 tahun pengalaman di pembayaran dan produk, Steve memastikan solusi PayNearMe memimpin pasar dengan mengurangi hambatan yang dialami konsumen serta menawarkan rangkaian terluas opsi pembayaran dan kanal, semuanya sambil tetap berfokus pada keamanan dan keandalan agar klien mengumpulkan setiap pembayaran, setiap saat.