yottabyte（1024バイトを表し、地球から火星まで積み重ねたDVDに収まるはずのデータ量です）に挨拶しましょう。2030年代までに、世界は年あたりyottabyteのデータを生成すると見込まれています。 しかし、この膨大なデータの海は、迅速にアクセスでき、分析され、活用されてこそ意味があります。つまり、現在および将来の意思決定に役立てられる必要があるのです。この問いは、「データの民主化」――組織のあらゆる部門がデータにアクセスしやすくすること――の価値をめぐる、拡大しつつある議論を促しました。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てより大きな利益を生み出す戦略を立てるのに活用できます。「民主化」の一部は、単にデータにアクセスできるようにするだけでなく、技術的な背景がさまざまな人が、そのデータを使ってビジネス上の意思決定に役立てられるようにすることにもあります。フィンテック企業とそのクライアント、例えば請求業者（biller）は、支払いデータが利用可能な膨大な量であるため、特にデータの民主化の取り組みに参加するのにふさわしい立場にあります――もし、そのデータを請求業務組織のすべての関係者が利用できるようにできるならです。この記事では、主要なデータ民主化の障壁――データサイロとITゲートキーパー――および、このデータへのアクセスを得ることで、請求業者とその顧客の決済をどのように変えられるかを説明します。サイロとITゲートキーパー---------------------------過去50年間、データは主に、専門的な知識と訓練を持つIT担当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、通常、支払いプラットフォームにロックされており、プロバイダーのエンジニアリングチームが四半期ごとにクライアント向けに標準レポートを作成し、要望に応じてカスタムレポートを作成します。 支払いデータは、少数の手に閉じ込めるべきではありません。支払いプラットフォーム内には数十億のデータポイントが存在します。この支払いデータは本質的に、毎月顧客が融資機関とやり取りする方法です。請求業者が、このデータにアクセスして新しく革新的な方法で適用できるようになれば、組織の全員が、より情報に基づいた意思決定を行い、運用上の改善を推進するために活用できます。 データの民主化は、実行可能なインサイトの宝庫を開き、それを新しく革新的な方法で適用できるようにします。請求業者が業務効率を高め、意思決定を後押しするために、そのインサイトを活用できる方法は3つあります： 2. ### 弱点の領域を特定し改善し、それに応じて優先順位を導く 支払いデータや統計が目の前にあることは一つのことですが、それは多くの場合、答えよりも疑問を増やしてしまいます。これらの数値は良いのか、悪いのか。行動すべきなのか。そして、もしそうなら、どこで？支払いプロバイダーが、支払いおよび顧客データを集計された業界データと比較して測定・ベンチマークできるようにしてくれるなら、さまざまな市場やロケーションで展開される支払いおよび消費者の動向を追跡し、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、外れ値――平均より明確に上または下にある領域――を明らかにし、業界がどちらへ向かっているのかを把握する手がかりを与えます。たとえば、却下された支払いの割合やチャージバックを調べ、それによって自社の数値を業界平均に合わせる、あるいは上回るために何ができるかを判断できます。さらに、集計されたエンゲージメントのコミュニケーションを調べ、「SMSとメールで典型的なクリックスルー率はどれくらいで、当社のビジネスにおいてそれがどれくらいの速さで支払いにつながるのかを、業界全体と比べてどうか？」と問いかけることもできます。ビジネスルールやパラメータを切り替えたり、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配信日や時間帯を変更して、より多くのオンタイム支払いを促せる場所が見つかるかもしれません。 ベンチマークデータは、差し迫った支払いのトレンドを特定するのにも役立ちます。つまり、問題への対処や新たな需要への対応を迅速に行えるのです。特定の支払いタイプが特定の層で勢いを増しているのに対し、オートペイの遅延がある属性で起きていることに気づくかもしれません。データを粒度高く、業界の平均に照らして見ることができれば、現実的なKPIを設定し、実際の業務効率を生むプロセス改善に集中し、対応して適応できます。 3. ### 先を見据えて予測し、より良い計画を可能にする データ分析を社内ソース、さらには業界全体のソースに限定すると、理解のためのギャップが生まれます。そのため多くの企業が、分析に外部データを取り込んでいます。つまり、「外の世界」で起きていることが、今日および将来の支払い行動にどう影響し得るのかを理解するための、より広い視点を求めているのです。 より多くの支払いプラットフォームプロバイダーがデータの民主化に取り組むことで、請求業者のエコシステムへ支払いデータをストリーミングする機会が開かれる可能性があります。信用スコア、消費者物価指数、国勢調査情報のような他のデータポイントと組み合わせることで、支払いプロバイダーは個人や属性グループのリスクプロファイルを判断できるようになり、支払いパターンの予測精度を高め、エンゲージメントのコミュニケーションを適切にターゲティングし、オンタイム支払いを促すことが知られているビジネスルールを自動化できます。政府ソースの経済データは、失業率の上昇やGDPの低下が、大規模な顧客グループの財務的な耐久力に影響し得る領域を明らかにします。天気予報データでさえ役に立つことがあります。例えばハリケーン・イアンは、企業が閉鎖し、住民が避難し、消費者が嵐の備えや復旧のために資金を投じたことで、フロリダ州全体の州経済に甚大な被害をもたらしました。結果として、請求書を支払うための余力は大幅に小さくなりました。 事実に基づく予測のためにデータがすぐ利用できるなら、先を見据えて支払いへの影響に備えることができます。また、支払いの見落としがより大きく、より高コストな問題を生む前に、支払い業者（payer）へプロアクティブに働きかけるアウトリーチを自動化するために、支払いプロバイダーと連携することもできます。支払いを分割する、給料日に合わせて支払い期日を変更する、より頻繁な支払いリマインダーを送るといった解決策を提供できる可能性もあります。 4. ### 不正やその他の問題に対処するために意思決定を自動化する 決済業界は、大量のデータを生み出しており、潜在的な問題を特定するのに有用ですが、それは請求業者がそのデータをリアルタイムに分析し、結果を予測し、対応を自動化できる手段を持っている場合に限ります。あなたの支払いプロバイダーは、人工知能（AI）と機械学習（ML）を活用してこれらの目的を達成できるはずです。そうすることで、不正行為の検出や予測、支払い遅延、ACHリターンなどを、費用対効果が高く、かつ確実に行えるようになり、さらに自動化されたビジネスルールによって、先回りして修正を開始できます。MLとAIは同じエコシステムの中で結び付いています――AIシステムはMLを使って構築されるだけでなく、その他の手法も用いられます。MLでは、機械がデータセットから学習し、プログラムで逐一指示する必要がありません。データを分類し、パターンを認識し、予測モデルを作成できます。AIプログラムはこれらの能力を活用して、複雑なタスクを実行し、人間の能力や行動を模倣します。チャットボット、Amazon Alexaのようなスマートアシスタント、そして自動運転車はすべてAIの応用例です。決済分野における、AIを実現するために設計されたMLモデルの例として、特定グループの顧客に対して高いチャージバックが発生するパターンを特定し、顧客が6か月の期間内に3回目のチャージバックを開始した時点で、支払いオプションとしてのカードを自動的に削除するためのビジネスルールを適用するケースがあります。MLは、この対応を即時に、具体的に、そして自動で行うため、手作業による入力や判断の必要がなくなります。AIは、顧客体験の改善や運用コストの削減にも役立ちます。例えば、MLモデルがAIのこのような適用の背後にあることで、IVR、チャットボット、またはテキスト配信の機能と組み合わせたパーソナライズされた支払いリンクを使い、信頼できる支払い履歴を持つ顧客をセルフサービスの支払いオプションへ識別・誘導できます。また、それらの顧客に対して、自動支払い（auto-pay）の登録を促すための特別なエンゲージメントメッセージを送ることもできます。そこには、そのプロセスを簡単でスムーズにするためのパーソナライズされたリンクを含められます。一方で、支払いの見落としやACHリターンのパターンがある人には、照合（reconcile）方法の選択肢を提示したコミュニケーションを送れます。例えば、見落とした支払いを複数の支払いに分割して、将来の請求書に追加してほしいですか？ 支払い日を給料日に合わせると役立つと感じますか？ それとも、月1回より週次の支払いのほうが好ましいでしょうか？その後、顧客はエージェントとの電話に頼るのではなく、リンクをクリックして自分で意思決定を実行できるようになります。この種の自動化された、データ主導の意思決定により、顧客は自分にとって最も迅速で適切な支払い体験を得られます。その一方で、サービス担当者の時間は、特別な対応が必要なケースに温存できます。それまでの間、これらの顧客の意思決定に関するデータや、今後の支払いパターンは、MLモデルのトレーニングに投入され、将来の顧客に対して、独立してオンタイムの支払いにつながりやすい選択肢を提供できます。 組織全体でデータを民主化する方法------------------------------------------------データの民主化は、自然発生的に、また独立して起きるものではありません。まず、決済（payment）のプロバイダー側が、データを完全かつ迅速に関係者の手に届けることを妨げるサイロとゲートキーパーを取り除くというコミットメントを必要とします。もし現在の決済プロバイダーがこれを優先事項にしていないなら、他を検討する時期かもしれません。あなたの支払いプロバイダーは最初に、すべての支払いデータを集約し、正規化するデータウェアハウスを開発すべきです。その後、あなたにとって最も役立つ形式でデータを提供する必要があります。たとえば、スタッフがダウンロードして社内で分析できる生データを提供すること、あなたのために分析を完了させること、業界データと合わせて集計した形でデータを可視化すること、あるいは外部ソースからの文脈情報（コンテキスト）を提供することなどが考えられます。これらの要素が整ったら、あとはあなたの番です。組織内のすべての関係者――技術に詳しくない人も含めて――がデータを観測可能（observable）にし、感情ではなく事実に基づいて行動し、目標を追求できるようにする必要があります。データの民主化のムーブメントは、請求業者が組織全体で意思決定にエビデンスと文脈を追加するための土台を整えました。これを活用する人たちは、セルフサービスの最適化を進め、摩擦のない満足度の高い顧客体験を生み出すための戦略において優位性を得られます。著者について----------------Steve Kramerは、PayNearMeのプロダクト担当副社長であり、プロダクト開発チームを率いています。決済とプロダクトの経験が25年以上あるSteveは、消費者の摩擦を減らし、最も幅広い支払いオプションとチャネルを提供することで、PayNearMeのソリューションが市場をリードするようにしています。さらに、クライアントが毎回すべての支払いを回収できるように、セキュリティと信頼性に焦点を保ちながら取り組んでいます。
データの民主化が企業と顧客の請求支払いを改善する3つの方法
yottabyte（1024バイトを表し、地球から火星まで積み重ねたDVDに収まるはずのデータ量です）に挨拶しましょう。2030年代までに、世界は年あたりyottabyteのデータを生成すると見込まれています。
しかし、この膨大なデータの海は、迅速にアクセスでき、分析され、活用されてこそ意味があります。つまり、現在および将来の意思決定に役立てられる必要があるのです。この問いは、「データの民主化」――組織のあらゆる部門がデータにアクセスしやすくすること――の価値をめぐる、拡大しつつある議論を促しました。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てより大きな利益を生み出す戦略を立てるのに活用できます。「民主化」の一部は、単にデータにアクセスできるようにするだけでなく、技術的な背景がさまざまな人が、そのデータを使ってビジネス上の意思決定に役立てられるようにすることにもあります。
フィンテック企業とそのクライアント、例えば請求業者（biller）は、支払いデータが利用可能な膨大な量であるため、特にデータの民主化の取り組みに参加するのにふさわしい立場にあります――もし、そのデータを請求業務組織のすべての関係者が利用できるようにできるならです。この記事では、主要なデータ民主化の障壁――データサイロとITゲートキーパー――および、このデータへのアクセスを得ることで、請求業者とその顧客の決済をどのように変えられるかを説明します。
サイロとITゲートキーパー
過去50年間、データは主に、専門的な知識と訓練を持つIT担当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、通常、支払いプラットフォームにロックされており、プロバイダーのエンジニアリングチームが四半期ごとにクライアント向けに標準レポートを作成し、要望に応じてカスタムレポートを作成します。
支払いデータは、少数の手に閉じ込めるべきではありません。支払いプラットフォーム内には数十億のデータポイントが存在します。この支払いデータは本質的に、毎月顧客が融資機関とやり取りする方法です。請求業者が、このデータにアクセスして新しく革新的な方法で適用できるようになれば、組織の全員が、より情報に基づいた意思決定を行い、運用上の改善を推進するために活用できます。
データの民主化は、実行可能なインサイトの宝庫を開き、それを新しく革新的な方法で適用できるようにします。請求業者が業務効率を高め、意思決定を後押しするために、そのインサイトを活用できる方法は3つあります：
支払いデータや統計が目の前にあることは一つのことですが、それは多くの場合、答えよりも疑問を増やしてしまいます。これらの数値は良いのか、悪いのか。行動すべきなのか。そして、もしそうなら、どこで？
支払いプロバイダーが、支払いおよび顧客データを集計された業界データと比較して測定・ベンチマークできるようにしてくれるなら、さまざまな市場やロケーションで展開される支払いおよび消費者の動向を追跡し、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、外れ値――平均より明確に上または下にある領域――を明らかにし、業界がどちらへ向かっているのかを把握する手がかりを与えます。
たとえば、却下された支払いの割合やチャージバックを調べ、それによって自社の数値を業界平均に合わせる、あるいは上回るために何ができるかを判断できます。さらに、集計されたエンゲージメントのコミュニケーションを調べ、「SMSとメールで典型的なクリックスルー率はどれくらいで、当社のビジネスにおいてそれがどれくらいの速さで支払いにつながるのかを、業界全体と比べてどうか？」と問いかけることもできます。ビジネスルールやパラメータを切り替えたり、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配信日や時間帯を変更して、より多くのオンタイム支払いを促せる場所が見つかるかもしれません。
ベンチマークデータは、差し迫った支払いのトレンドを特定するのにも役立ちます。つまり、問題への対処や新たな需要への対応を迅速に行えるのです。特定の支払いタイプが特定の層で勢いを増しているのに対し、オートペイの遅延がある属性で起きていることに気づくかもしれません。データを粒度高く、業界の平均に照らして見ることができれば、現実的なKPIを設定し、実際の業務効率を生むプロセス改善に集中し、対応して適応できます。
データ分析を社内ソース、さらには業界全体のソースに限定すると、理解のためのギャップが生まれます。そのため多くの企業が、分析に外部データを取り込んでいます。つまり、「外の世界」で起きていることが、今日および将来の支払い行動にどう影響し得るのかを理解するための、より広い視点を求めているのです。
より多くの支払いプラットフォームプロバイダーがデータの民主化に取り組むことで、請求業者のエコシステムへ支払いデータをストリーミングする機会が開かれる可能性があります。信用スコア、消費者物価指数、国勢調査情報のような他のデータポイントと組み合わせることで、支払いプロバイダーは個人や属性グループのリスクプロファイルを判断できるようになり、支払いパターンの予測精度を高め、エンゲージメントのコミュニケーションを適切にターゲティングし、オンタイム支払いを促すことが知られているビジネスルールを自動化できます。
政府ソースの経済データは、失業率の上昇やGDPの低下が、大規模な顧客グループの財務的な耐久力に影響し得る領域を明らかにします。天気予報データでさえ役に立つことがあります。例えばハリケーン・イアンは、企業が閉鎖し、住民が避難し、消費者が嵐の備えや復旧のために資金を投じたことで、フロリダ州全体の州経済に甚大な被害をもたらしました。結果として、請求書を支払うための余力は大幅に小さくなりました。
事実に基づく予測のためにデータがすぐ利用できるなら、先を見据えて支払いへの影響に備えることができます。また、支払いの見落としがより大きく、より高コストな問題を生む前に、支払い業者（payer）へプロアクティブに働きかけるアウトリーチを自動化するために、支払いプロバイダーと連携することもできます。支払いを分割する、給料日に合わせて支払い期日を変更する、より頻繁な支払いリマインダーを送るといった解決策を提供できる可能性もあります。
決済業界は、大量のデータを生み出しており、潜在的な問題を特定するのに有用ですが、それは請求業者がそのデータをリアルタイムに分析し、結果を予測し、対応を自動化できる手段を持っている場合に限ります。あなたの支払いプロバイダーは、人工知能（AI）と機械学習（ML）を活用してこれらの目的を達成できるはずです。そうすることで、不正行為の検出や予測、支払い遅延、ACHリターンなどを、費用対効果が高く、かつ確実に行えるようになり、さらに自動化されたビジネスルールによって、先回りして修正を開始できます。
MLとAIは同じエコシステムの中で結び付いています――AIシステムはMLを使って構築されるだけでなく、その他の手法も用いられます。MLでは、機械がデータセットから学習し、プログラムで逐一指示する必要がありません。データを分類し、パターンを認識し、予測モデルを作成できます。AIプログラムはこれらの能力を活用して、複雑なタスクを実行し、人間の能力や行動を模倣します。チャットボット、Amazon Alexaのようなスマートアシスタント、そして自動運転車はすべてAIの応用例です。
決済分野における、AIを実現するために設計されたMLモデルの例として、特定グループの顧客に対して高いチャージバックが発生するパターンを特定し、顧客が6か月の期間内に3回目のチャージバックを開始した時点で、支払いオプションとしてのカードを自動的に削除するためのビジネスルールを適用するケースがあります。MLは、この対応を即時に、具体的に、そして自動で行うため、手作業による入力や判断の必要がなくなります。
AIは、顧客体験の改善や運用コストの削減にも役立ちます。例えば、MLモデルがAIのこのような適用の背後にあることで、IVR、チャットボット、またはテキスト配信の機能と組み合わせたパーソナライズされた支払いリンクを使い、信頼できる支払い履歴を持つ顧客をセルフサービスの支払いオプションへ識別・誘導できます。また、それらの顧客に対して、自動支払い（auto-pay）の登録を促すための特別なエンゲージメントメッセージを送ることもできます。そこには、そのプロセスを簡単でスムーズにするためのパーソナライズされたリンクを含められます。
一方で、支払いの見落としやACHリターンのパターンがある人には、照合（reconcile）方法の選択肢を提示したコミュニケーションを送れます。例えば、見落とした支払いを複数の支払いに分割して、将来の請求書に追加してほしいですか？ 支払い日を給料日に合わせると役立つと感じますか？ それとも、月1回より週次の支払いのほうが好ましいでしょうか？その後、顧客はエージェントとの電話に頼るのではなく、リンクをクリックして自分で意思決定を実行できるようになります。この種の自動化された、データ主導の意思決定により、顧客は自分にとって最も迅速で適切な支払い体験を得られます。その一方で、サービス担当者の時間は、特別な対応が必要なケースに温存できます。
それまでの間、これらの顧客の意思決定に関するデータや、今後の支払いパターンは、MLモデルのトレーニングに投入され、将来の顧客に対して、独立してオンタイムの支払いにつながりやすい選択肢を提供できます。
組織全体でデータを民主化する方法
データの民主化は、自然発生的に、また独立して起きるものではありません。まず、決済（payment）のプロバイダー側が、データを完全かつ迅速に関係者の手に届けることを妨げるサイロとゲートキーパーを取り除くというコミットメントを必要とします。もし現在の決済プロバイダーがこれを優先事項にしていないなら、他を検討する時期かもしれません。
あなたの支払いプロバイダーは最初に、すべての支払いデータを集約し、正規化するデータウェアハウスを開発すべきです。その後、あなたにとって最も役立つ形式でデータを提供する必要があります。たとえば、スタッフがダウンロードして社内で分析できる生データを提供すること、あなたのために分析を完了させること、業界データと合わせて集計した形でデータを可視化すること、あるいは外部ソースからの文脈情報（コンテキスト）を提供することなどが考えられます。
これらの要素が整ったら、あとはあなたの番です。組織内のすべての関係者――技術に詳しくない人も含めて――がデータを観測可能（observable）にし、感情ではなく事実に基づいて行動し、目標を追求できるようにする必要があります。
データの民主化のムーブメントは、請求業者が組織全体で意思決定にエビデンスと文脈を追加するための土台を整えました。これを活用する人たちは、セルフサービスの最適化を進め、摩擦のない満足度の高い顧客体験を生み出すための戦略において優位性を得られます。
著者について
Steve Kramerは、PayNearMeのプロダクト担当副社長であり、プロダクト開発チームを率いています。決済とプロダクトの経験が25年以上あるSteveは、消費者の摩擦を減らし、最も幅広い支払いオプションとチャネルを提供することで、PayNearMeのソリューションが市場をリードするようにしています。さらに、クライアントが毎回すべての支払いを回収できるように、セキュリティと信頼性に焦点を保ちながら取り組んでいます。