ビジネスとそのカスタマーのための請求書支払いを改善するためにデータの民主化が役立つ3つの方法

こんにちは、1024バイトを表すヨタバイトに挨拶しましょう。これはDVDを地球から火星まで積み重ねた量のデータに相当します。2030年代までに、世界は年間でヨタバイトのデータを生成すると予測されています。

しかし、この膨大なデータの海は、迅速にアクセス・分析・活用できなければ意味がありません。その価値についての議論が高まっています。それは、「データの民主化」や、組織のあらゆる部分にデータをよりアクセスしやすくすることです。データが民主化されると、ビジネスの健全性を理解し、結果を予測し、運用コストを削減し、利益を拡大する戦略を立てるのに役立ちます。民主化の一部は、単にデータにアクセスできるようになるだけでなく、さまざまな技術背景を持つ人々がそのデータを使ってビジネス判断を下せるようにすることです。

フィンテック企業や請求業者などのクライアントは、利用可能な膨大な支払いデータのおかげで、民主化運動に参加しやすいです。もしそのデータがすべての関係者にアクセス可能になれば、より良い意思決定や効率的な支払い運用が可能になります。本記事では、データ民主化の主な障壁であるデータサイロとITゲートキーパーについて説明し、これらのデータへのアクセスが請求業者と顧客の支払いをどのように変革できるかを解説します。

データサイロとITゲートキーパー

過去50年間、データは主にIT技術者やアナリストによって管理されてきました。特に支払いデータは、支払いプラットフォーム内にロックされており、提供者のエンジニアリングチームが四半期ごとに標準レポートを作成し、必要に応じてカスタムレポートを作成しています。

支払いデータは少数の手に渡るべきではありません。支払いプラットフォームには何十億ものデータポイントが存在します。これらの支払いデータは、顧客が毎月貸付機関とやり取りする基本的なコミュニケーション手段です。請求業者がこれらのデータにアクセスし、新しい方法で活用できれば、組織全体の意思決定を改善し、運用の効率化に役立ちます。

データの民主化は、実行可能な洞察の宝庫を開きます。請求業者がこれらの洞察を活用して運用効率を高め、意思決定を支援する3つの方法を紹介します。

弱点を特定し改善し、優先順位を適切に設定する

支払いデータや統計情報が手元にあることは一つのことですが、それだけでは多くの疑問が生まれることもあります。これらの数字は良いのか悪いのか？何か行動すべきか？もしそうなら、どこから始めるべきか？

支払い提供者があなたの支払いと顧客データを業界全体の平均と比較できるようにすれば、市場や地域ごとの支払い・消費者動向を追跡し、ビジネスへの影響を予測できます。

ベンチマークデータは、平均を大きく上回るまたは下回る異常値を明らかにし、業界の動向を把握する手助けとなります。

例えば、支払い拒否やチャージバックの割合を調査し、それを業界平均に合わせる、または上回るために何ができるかを判断します。集約されたエンゲージメント通信を分析し、「SMSとメールのクリック率はどのくらいか？それが支払いにどのように影響しているか？」といった質問を投げかけることも可能です。ビジネスルールやパラメータを調整したり、新しい支払いタイプを導入したり、エンゲージメントメッセージの送信時間を変えることで、期日通りの支払いを促進できます。

ベンチマークデータは、新たな支払いトレンドを特定し、迅速に対応策を講じるのにも役立ちます。特定の支払いタイプが普及している、または自動支払いが特定の層で遅れているといった兆候を見つけることができ、詳細なデータと業界平均を比較することで、反応しやすくなり、現実的なKPIを設定し、実際の運用効率を高める改善策に集中できます。

先を見越した予測で計画を最適化

内部データや業界全体のデータだけに頼ると、理解にギャップが生まれることがあります。そのため、多くの企業は外部データも分析に取り入れ、外の世界で起きていることが今後の支払い行動にどう影響するかをより広い視野で理解しようとしています。

支払いプラットフォームの提供者がデータ民主化に取り組むことで、支払いデータを請求業者のエコシステムにストリーミング配信する機会が生まれます。クレジットスコアや消費者物価指数、国勢調査データなどと組み合わせると、個人や層のリスクプロファイルを判断でき、支払いパターンの予測やエンゲージメントのターゲティング、自動化されたビジネスルールの設定に役立ちます。

政府の経済データは、失業率の上昇やGDPの低下が多くの顧客の財務状況に与える影響を示すこともあります。天気予報データも役立ちます。例えば、ハリケーン・イアンはフロリダ州全体の経済に大きな打撃を与え、企業の閉鎖や住民の避難、 storm対策や復旧に多くの資金が投入され、支払い能力が大きく低下しました。

事実に基づく予測を行うためのデータがあれば、支払いへの影響を事前に把握し、準備を整えることができます。支払い遅延や未払いが予想される場合、事前に自動的に連絡を取る仕組みを構築し、未払いを分割支払いにしたり、支払期日を給料日と合わせたり、リマインダーを頻繁に送るなどの対応も可能です。

不正やその他の問題に対応するための自動意思決定

支払い業界は膨大なデータを生成しており、その中には潜在的な問題を検知するための情報も含まれています。ただし、請求業者がリアルタイムでそのデータを分析し、結果を予測し、自動的に対応できる仕組みが必要です。支払い提供者は、AI（人工知能）やML（機械学習）を活用して、不正行為や遅延、ACH返戻などをコスト効率良く検知・予測し、自動的に修正を行うことが求められます。

MLとAIは同じエコシステム内で連携しています。AIシステムはMLや他の技術を用いて構築され、データから学習し、パターン認識や予測モデルの作成を行います。これらの能力を活用して、チャットボットやスマートアシスタント（例：Amazon Alexa）、自動運転車などの複雑なタスクを人間の能力に近い形で実行します。

支払い分野でAIを実現するMLモデルの例として、特定の顧客層で高いチャージバック率のパターンを識別し、3回目のチャージバックが6ヶ月以内に発生した場合にカードを支払い方法から自動的に除外するビジネスルールを適用する仕組みがあります。MLはこの対応を即時かつ自動化し、手動の判断を不要にします。

AIは顧客体験の向上や運用コスト削減にも役立ちます。例えば、信頼できる支払い履歴を持つ顧客をIVRやチャットボット、テキストメッセージと連携したパーソナライズされた支払いリンクを使ってセルフサービスに誘導したり、自動支払い登録を促す特別なメッセージを送ったりできます。

一方、支払い遅延やACH返戻のパターンを持つ顧客には、分割支払いの提案や支払期日の調整、週次支払いへの変更などの選択肢を提供し、リンクをクリックして自分で決定できる仕組みを作ることも可能です。これにより、顧客は担当者との通話を待つことなく、自分の意思で支払いを完了できます。この自動化されたデータ駆動の意思決定は、顧客にとって最も適した支払い体験を提供しつつ、サポート担当者の負担を軽減します。

また、顧客の決定や今後の支払いパターンのデータは、MLモデルの学習に利用され、将来の顧客にとって最適な支払い方法やタイミングを提案できるようになります。

組織全体でデータを民主化する方法

データの民主化は自然に起こるものではなく、積極的な取り組みが必要です。まず、支払い提供者がサイロやゲートキーパーを排除し、データを迅速かつ完全に関係者に渡す仕組みを整えることが重要です。もし現在の支払い提供者がこれを優先していない場合は、他の選択肢を検討すべきです。

支払い提供者は、まずすべての支払いデータを収集・正規化するデータウェアハウスを構築すべきです。その後、最も役立つ形式でデータを提供します。これには、スタッフが内部でダウンロード・分析できる生データの提供、分析の代行、業界データと集約したビジュアライゼーション、外部ソースからのコンテキストデータの提供などが含まれます。

これらの準備が整ったら、次はあなたの組織のすべての関係者、特に技術的に詳しくない人々にもデータを見える化し、行動を促すことです。事実に基づいた意思決定を可能にし、感情に左右されない運用を実現します。

データ民主化の動きは、請求業者が組織全体の意思決定に証拠とコンテキストを追加できる土台を築きました。これを活用すれば、セルフサービスを促進し、摩擦の少ない満足度の高い顧客体験を創出する戦略の最適化に優位に立てます。

著者について

スティーブ・クレイマーは、PayNearMeのプロダクト副社長で、製品開発チームを率いています。25年以上の支払いと製品の経験を持ち、PayNearMeのソリューションが市場をリードし、消費者の摩擦を減らし、多彩な支払いオプションとチャネルを提供しつつ、安全性と信頼性を重視して、常に確実に支払いを回収できるよう努めています。