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

Sapaikan yottabyte, yang mewakili 1024 bytes, atau jumlah data yang dapat ditampung pada DVD yang disusun dari Earth ke Mars. Pada tahun 2030-an, dunia diperkirakan akan menghasilkan satu yottabyte data per tahun.

Apa gunanya lautan data yang begitu besar ini, meskipun, kecuali jika data itu dapat diakses dengan cepat, dianalisis, dan digunakan untuk menginformasikan keputusan saat ini dan masa depan? Pertanyaan itulah yang memicu percakapan yang semakin berkembang tentang nilai “mendemokrasikan data” atau membuat data lebih mudah diakses oleh semua bagian dalam sebuah organisasi. Ketika data didemokrasikan, data dapat digunakan untuk memahami kesehatan bisnis, memprediksi hasil, serta mengembangkan strategi untuk mengurangi biaya operasional dan mendorong profit yang lebih besar. Sebagian dari “demokratisasi” bukan hanya mendapatkan akses ke data, tetapi juga memungkinkan orang dengan latar belakang teknis yang beragam untuk dapat menggunakan data itu guna menginformasikan keputusan bisnis.

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

Silos dan Penjaga Gerbang TI

Selama 50 tahun terakhir, data sebagian besar dikendalikan oleh teknisi TI dan analis yang memiliki pengetahuan serta 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 khusus berdasarkan permintaan.

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

Mendemokrasikan data membuka harta karun berupa wawasan yang dapat ditindaklanjuti dan dapat diterapkan dengan cara-cara baru dan inovatif. Berikut tiga cara billers dapat memanfaatkan wawasan tersebut untuk meningkatkan efisiensi operasional dan memberdayakan pengambilan keputusan:

2.      

### Identifikasi dan perbaiki area kelemahan serta arahkan prioritas dengan sewajarnya

Memiliki data dan statistik pembayaran 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, tindakan apa?

Ketika penyedia pembayaran Anda memungkinkan Anda mengukur dan membandingkan pembayaran serta data pelanggan Anda dengan data industri yang diagregasi, Anda dapat memantau tren pembayaran dan tren konsumen saat tren tersebut berkembang di berbagai pasar dan lokasi serta memprediksi dampaknya terhadap bisnis Anda.

Data benchmark mengungkap outlier—area di mana Anda secara mencolok berada di atas atau di bawah rata-rata—dan membantu Anda memahami ke mana arah industri.

Sebagai contoh, Anda bisa memeriksa tingkat pembayaran yang ditolak dan chargeback, lalu menentukan apa yang dapat dilakukan untuk menyelaraskan angka Anda dengan, atau berada di atas, rata-rata industri. Anda juga dapat mempelajari komunikasi keterlibatan (engagement) yang diagregasi, dengan bertanya, “Berapa tingkat clickthrough yang tipikal untuk SMS dibanding email, dan seberapa cepat hal itu menghasilkan pembayaran untuk bisnis kami dibanding industri secara keseluruhan?” Anda mungkin menemukan tempat-tempat di mana Anda bisa menggeser aturan atau parameter bisnis, memperkenalkan jenis pembayaran baru, atau memindahkan pesan keterlibatan ke hari lain atau jam lain untuk mendorong lebih banyak pembayaran tepat waktu.

Data benchmark juga membantu Anda mengidentifikasi tren pembayaran yang sedang muncul sehingga Anda dapat beradaptasi dengan cepat untuk mengatasi masalah atau memenuhi permintaan baru. Anda mungkin menyadari jenis pembayaran tertentu sedang mendapatkan daya tarik atau jeda auto-pembayaran tertinggal pada demografis tertentu. Ketika Anda dapat melihat data Anda pada tingkat yang granular, ditumpuk dibanding rata-rata industri, Anda bisa bereaksi dan beradaptasi, menetapkan KPI yang realistis, serta memfokuskan pada perbaikan proses yang mendorong efisiensi operasional nyata.

3.      

### Prediksi apa yang akan datang untuk memungkinkan perencanaan yang lebih baik

Membatasi analisis data pada sumber internal, bahkan sumber yang mencakup seluruh industri, dapat menimbulkan celah dalam pemahaman. Itulah sebabnya banyak perusahaan memasukkan data eksternal ke dalam analisis mereka; mereka mencari sudut pandang 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 mendalami demokratisasi data, hal itu bisa membuka peluang untuk mengalirkan data pembayaran ke ekosistem milik biller. Jika 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 dengan 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 dari kelompok besar pelanggan. Bahkan data prakiraan cuaca pun bisa berguna. Misalnya, Hurricane Ian menimbulkan kerusakan besar pada ekonomi seluruh negara bagian Florida karena bisnis ditutup, warga mengungsi, dan konsumen menuangkan uang untuk bersiap serta pulih dari badai tersebut, sehingga mereka memiliki kapasitas yang jauh lebih kecil untuk membayar tagihan.

Ketika Anda memiliki data yang tersedia dengan cepat untuk membuat prediksi berbasis fakta, Anda dapat menyiapkan bisnis Anda untuk dampak pembayaran sebelum dampak tersebut melewati kurva. Anda juga dapat bekerja sama dengan penyedia pembayaran Anda untuk mengotomatisasi penjangkauan kepada para pembayar secara proaktif sebelum pembayaran yang terlewat menciptakan masalah yang lebih besar dan lebih mahal. Anda mungkin bisa 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 sejumlah besar data yang dapat berguna untuk memberi tanda pada potensi masalah—tetapi hanya jika biller memiliki cara untuk menganalisis data itu secara real time, memprediksi hasil, dan mengotomatisasi respons. Penyedia pembayaran Anda seharusnya mampu memanfaatkan kecerdasan buatan (AI) dan machine learning (ML) untuk mencapai tujuan tersebut, sehingga memungkinkan untuk mendeteksi dan memprediksi aktivitas penipuan, pembayaran terlambat, pengembalian ACH, dan lainnya secara hemat biaya serta andal, serta memulai perbaikan secara proaktif melalui aturan bisnis yang terotomatisasi.

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

Sebagai 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 begitu seorang pelanggan memulai chargeback ketiga mereka dalam periode enam bulan. ML membuat respons ini menjadi segera, spesifik, dan otomatis, sehingga tidak perlu input atau pengambilan keputusan manual.

AI juga dapat membantu meningkatkan pengalaman pelanggan dan mengurangi biaya operasional. Misalnya, model ML dapat menjadi bagian di balik penerapan AI untuk mengidentifikasi dan mengarahkan pelanggan dengan riwayat pembayaran yang dapat diandalkan ke opsi pembayaran self-service menggunakan kemampuan IVR, chatbot, atau pengiriman pesan teks yang dipadukan dengan tautan pembayaran yang dipersonalisasi. AI tersebut juga dapat mengirim pesan keterlibatan khusus kepada pelanggan untuk mendorong pendaftaran auto-pay, termasuk tautan yang dipersonalisasi agar proses tersebut mudah dan lancar.

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

Sementara itu, data dari keputusan pelanggan tersebut, serta pola pembayaran mereka di masa depan, digunakan untuk melatih model ML guna menawarkan kepada pelanggan-pelanggan di masa depan opsi-opsi yang paling mungkin mengarah pada pembayaran mandiri yang tepat waktu di masa depan.

Cara Merdemokrasikan Data di Seluruh Organisasi Anda

Demokratisasi data tidak terjadi secara organik atau independen. Hal itu pertama-tama membutuhkan komitmen dari penyedia pembayaran Anda untuk menghilangkan silos dan penjaga gerbang yang menghalangi agar data dapat masuk sepenuhnya dan dengan cepat ke tangan para pemangku kepentingan Anda. Jika penyedia pembayaran Anda saat ini tidak menjadikannya prioritas, mungkin sudah waktunya untuk mencari ke tempat lain.

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

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

Gerakan demokratisasi data telah menyiapkan panggung bagi billers untuk menambahkan bukti dan konteks ke pengambilan keputusan di seluruh organisasi. Mereka yang memanfaatkan peluang tersebut akan memiliki keunggulan dalam mengoptimalkan strategi untuk meningkatkan self-service dan menciptakan pengalaman pelanggan yang minim gesekan serta memuaskan.

Tentang Penulis

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