yottabyteに「こんにちは」と言いましょう。yottabyteは1024バイトを表し、DVDを地球から火星まで積み重ねたときに収まる量のデータに相当します。2030年代までに、世界は年間で1 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が、迅速にアクセスされ、分析され、活用されて現在および将来の意思決定に役立てられなければ、何の意味があるのでしょうか。この問いが、「データの民主化」または、組織のあらゆる部門でデータをより利用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てきました。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ための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ことだけではなく、さまざまな技術的背景を持つ人々が、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です。フィンテック企業とそのクライアント、たとえば請求事業者は、利用可能な支払いデータが膨大であるため、特にデータ民主化の動きに参加するのに適した立場にあります――そして、そのデータを請求組織のすべてのステークホルダーが利用できるようにできればの話です。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の門番――、そしてこのデータへのアクセスを得ることで、請求事業者とその顧客の支払いがどう変わり得るのかを説明します。サイロとITの門番---------------------------過去50年間、データは主に、専門知識と訓練を持つ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通常、支払いプラットフォームにロックされており、そこから提供元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の標準レポートを作成し、依頼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、少数の手に握られているべきではありません。支払いプラットフォームの中には何十億ものデータポイントがあります。この支払いデータは、基本的に、顧客が毎月、自分たちの貸付機関とどのようにやり取りしているかを示す手段です。請求事業者がそのデータにアクセスし、新しく革新的な方法で適用できるなら、組織の誰も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のに役立てられます。 データの民主化は、実行可能なインサイトの宝庫を開き、それらを新しく革新的なやり方で適用できます。請求事業者が運用効率を高め、意思決定を後押しするために、そのインサイトを活用する方法を3つ紹介します： 2. ### 弱点となっている領域を特定し改善し、それに応じて優先順位を定める 目の前に支払いデータや統計があることは一つのことですが、しばしばそれは答えよりも多くの疑問を生みます。これらの数値は良いのでしょうか、悪いのでしょうか。行動すべきでしょうか。そして、もしそうなら、どこで？支払いプロバイダーが、あなたの支払いおよび顧客データを業界の集計データと比較して測定し、ベンチマークできるようにしてくれるなら、さまざまな市場や立地において支払いと消費者のトレンドがどのように展開しているかを追跡でき、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を明らかにします――平均より明確に高い、または低い領域がどこにあるかを示し、業界がどちらに向かって進んでいるのかを把握する助けになります。たとえば、支払いが拒否された割合やチャージバックを調べ、それに基づいて、自社の数値を業界平均に合わせる、または業界平均を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分析し、「SMSと電子メールの典型的なクリックスルー率はそれぞれどれくらいで、そこから私たちのビジネスでの支払いにつながるまでに、業界全体と比べてどれほど時間がかかるのでしょうか？」といった問いを投げてみましょう。ビジネスルールやパラメータを切り替えられる場所、別の支払いタイプを導入できる場所、あるいはエンゲージメントのメッセージを別の曜日や時間帯に移して、より期日どおりの支払いを増やせる場所に気づくかもしれません。 ベンチマークデータはまた、今後の支払いトレンドの兆しを特定するのにも役立つため、問題に素早く適応したり、新たな需要に対応したりできます。特定の支払いタイプがある層で勢いを増しているのに、オートペイの遅れが特定の属性で目立つといったことに気づく可能性があります。データを粒度の細かいレベルで、業界平均と積み重ねて見ることができるなら、現実的なKPIを設定し、実際の運用効率を生むプロセス改善に集中し、そして即座に反応して適応できます。 3. ### これから起きることを予測し、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、理解のギャップが生まれ得ます。だからこそ多くの企業が、自社の分析に外部データを取り入れています。つまり、「外の世界」で起きていることが、今日や将来の支払い行動にどのように影響し得るのかを理解するために、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提供者がデータ民主化に踏み込むことで、支払いデータを請求事業者のエコシステムへストリーミングする機会が開かれる可能性があります。他のデータポイント――クレジットスコア、消費者物価指数、あるいは国勢調査情報など――と組み合わせることで、支払いプロバイダーは個人または属性グループのリスクプロファイルを判断でき、それによ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ターゲティングし、期日どおりの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、大きな顧客グループの家計の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立つことがあります。たとえばハリケーン・イアンは、ビジネスが閉鎖し、住民が避難し、消費者が嵐に備え、そして嵐からの復旧に備えるために資金を投じたことで、フロリダ州全体の州経済に大きな混乱をもたらしました。その結果、請求書を支払うための余力は大幅に減ってしまいました。 事実に基づく予測を行うためのデータがすぐに利用できるなら、先回りして支払いへの影響に備えられます。また、支払いが見逃されることでより大きく、より高コストな問題につながる前に、支払いプロバイダーと協力して支払人へのアウトリーチを自動化することもできます。たとえば、支払いを分割する、給料日（payday）に合わせて支払い期日を変更する、あるいはより頻繁に支払いリマインドを送るといった解決策を提供できる場合があります。 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、不具合の可能性を示すために役立ち得る膨大な量のデータを生み出していますが、そのデータを有効に活用できるのは、請求事業者にリアルタイムでデータを分析し、結果を予測し、対応を自動化できる仕組みがある場合に限られます。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、そうした目標を達成できるはずです。これにより、不正行為、期日遅れの支払い、ACHのリターンなどを、費用対効果よく、かつ確実に検出・予測し、自動化されたビジネスルールを通じて、先回りして修正を開始できるようになります。MLとAIは同じエコシステムで結びついています――AIシステムは、MLだけでなく他の手法を用いて構築されます。MLでは、機械はプログラムされる必要がなく、データセットから学習します。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、自動運転車はすべてAIの適用例です。AIを達成するために設計された、決済領域のMLモデルの例としては、特定の顧客グループで高いチャージバック率というパターンを識別し、顧客が6か月期間内に3回目のチャージバックを開始した時点で、自動的にカードを支払いオプションから削除するビジネスルールを適用する、というものがあります。このMLによる応答は、即時で、具体的で、自動です。手作業による入力や、判断の必要がなくなります。AIは、顧客体験の向上や運用コストの削減にも役立ちます。たとえば、MLモデルがそうしたAIの適用の背後にあり、IVR、チャットボット、またはテキスト送信の機能と、パーソナライズされた支払いリンクを組み合わせて、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し、案内することができます。また、その顧客に対して、オートペイの登録を促す特別なエンゲージメントメッセージを送ることもでき、さらにそのプロセスを簡単でスムーズにするために、パーソナライズされたリンクを含められます。一方、支払いの見逃しやACHのリターンにパターンがある人には、どのように整合（reconcile）させるかの選択肢を伴うコミュニケーションを送れます。たとえば、見逃した支払いを複数の支払いに分割して、将来の請求に追加したいですか？給料日に合わせて支払い日を移すと有益だと思うでしょうか。それとも、月1回の支払いよりも週次の支払いのほうが好ましいでしょうか。顧客は、その後、独立して意思決定を実行するためにリンクをクリックできます。エージェントとの電話に頼る必要はありません。この種の自動化された、データに基づく意思決定は、顧客にとって最も迅速かつ適切な支払い体験へ導きつつ、特別な注意が必要なケースに対してサービス担当者の時間を確保します。その間も、顧客の意思決定に関するデータや、その後の支払いパターンはMLモデルの学習に投入され、将来の顧客に対して、将来的に独立して期日どおりの支払いにつながりやすい選択肢を提供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、自然発生的にも、独立しても起こりません。まず必要なのは、支払いプロバイダーが、データを完全かつ迅速にステークホルダーの手に届ける上で障害となるサイロや門番を取り除くことへのコミットメントです。もし現在の支払いプロバイダーがこれを優先事項としていないのなら、他を検討する時期かもしれません。支払いプロバイダーは最初に、すべての支払いデータを収集し、正規化するデータウェアハウスを構築するべきです。そのうえで、あなたにとって最も役立つ形式でデータを提供するべきです。これは、スタッフが生データをダウンロードして社内で分析できるようにすること、あなたのために分析を完成させること、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付きデータを提供することを意味し得ます。それらの要素が整ったら、次はあなたの番です。組織内のすべてのステークホルダー――技術に詳しくない人も含めて――がデータを観測可能にし、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します。データ民主化のムーブメントは、請求事業者が組織全体の意思決定にエビデンスと文脈を加えるための土台を整えました。それを活用する人は、セルフサービスを最適化して、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に立てます。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。支払いおよび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、利用可能な支払いオプションとチャネルの幅を最大にすることで、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。同時に、クライアントが毎回すべての支払いを回収できるよう、セキュリティと信頼性に注力し続けています。
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に「こんにちは」と言いましょう。yottabyteは1024バイトを表し、DVDを地球から火星まで積み重ねたときに収まる量のデータに相当します。2030年代までに、世界は年間で1 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が、迅速にアクセスされ、分析され、活用されて現在および将来の意思決定に役立てられなければ、何の意味があるのでしょうか。この問いが、「データの民主化」または、組織のあらゆる部門でデータをより利用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てきました。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ための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ことだけではなく、さまざまな技術的背景を持つ人々が、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です。
フィンテック企業とそのクライアント、たとえば請求事業者は、利用可能な支払いデータが膨大であるため、特にデータ民主化の動きに参加するのに適した立場にあります――そして、そのデータを請求組織のすべてのステークホルダーが利用できるようにできればの話です。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の門番――、そしてこのデータへのアクセスを得ることで、請求事業者とその顧客の支払いがどう変わり得るのかを説明します。
サイロとITの門番
過去50年間、データは主に、専門知識と訓練を持つ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通常、支払いプラットフォームにロックされており、そこから提供元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の標準レポートを作成し、依頼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、少数の手に握られているべきではありません。支払いプラットフォームの中には何十億ものデータポイントがあります。この支払いデータは、基本的に、顧客が毎月、自分たちの貸付機関とどのようにやり取りしているかを示す手段です。請求事業者がそのデータにアクセスし、新しく革新的な方法で適用できるなら、組織の誰も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のに役立てられます。
データの民主化は、実行可能なインサイトの宝庫を開き、それらを新しく革新的なやり方で適用できます。請求事業者が運用効率を高め、意思決定を後押しするために、そのインサイトを活用する方法を3つ紹介します：
目の前に支払いデータや統計があることは一つのことですが、しばしばそれは答えよりも多くの疑問を生みます。これらの数値は良いのでしょうか、悪いのでしょうか。行動すべきでしょうか。そして、もしそうなら、どこで？
支払いプロバイダーが、あなたの支払いおよび顧客データを業界の集計データと比較して測定し、ベンチマークできるようにしてくれるなら、さまざまな市場や立地において支払いと消費者のトレンドがどのように展開しているかを追跡でき、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を明らかにします――平均より明確に高い、または低い領域がどこにあるかを示し、業界がどちらに向かって進んでいるのかを把握する助けになります。
たとえば、支払いが拒否された割合やチャージバックを調べ、それに基づいて、自社の数値を業界平均に合わせる、または業界平均を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分析し、「SMSと電子メールの典型的なクリックスルー率はそれぞれどれくらいで、そこから私たちのビジネスでの支払いにつながるまでに、業界全体と比べてどれほど時間がかかるのでしょうか？」といった問いを投げてみましょう。ビジネスルールやパラメータを切り替えられる場所、別の支払いタイプを導入できる場所、あるいはエンゲージメントのメッセージを別の曜日や時間帯に移して、より期日どおりの支払いを増やせる場所に気づくかもしれません。
ベンチマークデータはまた、今後の支払いトレンドの兆しを特定するのにも役立つため、問題に素早く適応したり、新たな需要に対応したりできます。特定の支払いタイプがある層で勢いを増しているのに、オートペイの遅れが特定の属性で目立つといったことに気づく可能性があります。データを粒度の細かいレベルで、業界平均と積み重ねて見ることができるなら、現実的なKPIを設定し、実際の運用効率を生むプロセス改善に集中し、そして即座に反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、理解のギャップが生まれ得ます。だからこそ多くの企業が、自社の分析に外部データを取り入れています。つまり、「外の世界」で起きていることが、今日や将来の支払い行動にどのように影響し得るのかを理解するために、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提供者がデータ民主化に踏み込むことで、支払いデータを請求事業者のエコシステムへストリーミングする機会が開かれる可能性があります。他のデータポイント――クレジットスコア、消費者物価指数、あるいは国勢調査情報など――と組み合わせることで、支払いプロバイダーは個人または属性グループのリスクプロファイルを判断でき、それによ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ターゲティングし、期日どおりの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、大きな顧客グループの家計の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立つことがあります。たとえばハリケーン・イアンは、ビジネスが閉鎖し、住民が避難し、消費者が嵐に備え、そして嵐からの復旧に備えるために資金を投じたことで、フロリダ州全体の州経済に大きな混乱をもたらしました。その結果、請求書を支払うための余力は大幅に減ってしまいました。
事実に基づく予測を行うためのデータがすぐに利用できるなら、先回りして支払いへの影響に備えられます。また、支払いが見逃されることでより大きく、より高コストな問題につながる前に、支払いプロバイダーと協力して支払人へのアウトリーチを自動化することもできます。たとえば、支払いを分割する、給料日（payday）に合わせて支払い期日を変更する、あるいはより頻繁に支払いリマインドを送るといった解決策を提供できる場合があります。
決済業界は、不具合の可能性を示すために役立ち得る膨大な量のデータを生み出していますが、そのデータを有効に活用できるのは、請求事業者にリアルタイムでデータを分析し、結果を予測し、対応を自動化できる仕組みがある場合に限られます。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、そうした目標を達成できるはずです。これにより、不正行為、期日遅れの支払い、ACHのリターンなどを、費用対効果よく、かつ確実に検出・予測し、自動化されたビジネスルールを通じて、先回りして修正を開始できるようになります。
MLとAIは同じエコシステムで結びついています――AIシステムは、MLだけでなく他の手法を用いて構築されます。MLでは、機械はプログラムされる必要がなく、データセットから学習します。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、自動運転車はすべてAIの適用例です。
AIを達成するために設計された、決済領域のMLモデルの例としては、特定の顧客グループで高いチャージバック率というパターンを識別し、顧客が6か月期間内に3回目のチャージバックを開始した時点で、自動的にカードを支払いオプションから削除するビジネスルールを適用する、というものがあります。このMLによる応答は、即時で、具体的で、自動です。手作業による入力や、判断の必要がなくなります。
AIは、顧客体験の向上や運用コストの削減にも役立ちます。たとえば、MLモデルがそうしたAIの適用の背後にあり、IVR、チャットボット、またはテキスト送信の機能と、パーソナライズされた支払いリンクを組み合わせて、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し、案内することができます。また、その顧客に対して、オートペイの登録を促す特別なエンゲージメントメッセージを送ることもでき、さらにそのプロセスを簡単でスムーズにするために、パーソナライズされたリンクを含められます。
一方、支払いの見逃しやACHのリターンにパターンがある人には、どのように整合（reconcile）させるかの選択肢を伴うコミュニケーションを送れます。たとえば、見逃した支払いを複数の支払いに分割して、将来の請求に追加したいですか？給料日に合わせて支払い日を移すと有益だと思うでしょうか。それとも、月1回の支払いよりも週次の支払いのほうが好ましいでしょうか。顧客は、その後、独立して意思決定を実行するためにリンクをクリックできます。エージェントとの電話に頼る必要はありません。この種の自動化された、データに基づく意思決定は、顧客にとって最も迅速かつ適切な支払い体験へ導きつつ、特別な注意が必要なケースに対してサービス担当者の時間を確保します。
その間も、顧客の意思決定に関するデータや、その後の支払いパターンはMLモデルの学習に投入され、将来の顧客に対して、将来的に独立して期日どおりの支払いにつながりやすい選択肢を提供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、自然発生的にも、独立しても起こりません。まず必要なのは、支払いプロバイダーが、データを完全かつ迅速にステークホルダーの手に届ける上で障害となるサイロや門番を取り除くことへのコミットメントです。もし現在の支払いプロバイダーがこれを優先事項としていないのなら、他を検討する時期かもしれません。
支払いプロバイダーは最初に、すべての支払いデータを収集し、正規化するデータウェアハウスを構築するべきです。そのうえで、あなたにとって最も役立つ形式でデータを提供するべきです。これは、スタッフが生データをダウンロードして社内で分析できるようにすること、あなたのために分析を完成させること、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付きデータを提供することを意味し得ます。
それらの要素が整ったら、次はあなたの番です。組織内のすべてのステークホルダー――技術に詳しくない人も含めて――がデータを観測可能にし、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します。
データ民主化のムーブメントは、請求事業者が組織全体の意思決定にエビデンスと文脈を加えるための土台を整えました。それを活用する人は、セルフサービスを最適化して、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に立てます。
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。支払いおよび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、利用可能な支払いオプションとチャネルの幅を最大にすることで、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。同時に、クライアントが毎回すべての支払いを回収できるよう、セキュリティと信頼性に注力し続けています。