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データ量に相当します。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、それに迅速にアクセスし、分析し、現在および将来の意思決定に役立てることができなければ、何の役にも立ちません。その問いは、「データの民主化」または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価値についての議論を高めています。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、より大きな利益を生み出す戦略を立てるために利用できます。「民主化」の一部は、単にデータにアクセスできるようになることだけでなく、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。フィンテック企業やそのクライアント、例えば請求業者は、利用可能な支払いデータの膨大さから、特に適しています。もしそのデータがすべての関係者にアクセス可能にできれば、より良い意思決定や運用の改善に役立てられるからです。この記事では、データ民主化の主要な障壁—データサイロとITゲートキーパー—について議論し、これらのデータへのアクセスを得ることが請求業者とその顧客の支払いをどのように変革できるかを説明します。サイロとITゲートキーパー---------------------------過去50年間、データは主にIT技術者やアナリストによって管理されてきました。彼らは専門的な知識と訓練を持っています。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いることが多く、その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、リクエスト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渡るべきではありません。支払いプラットフォーム内には何十億ものデータポイントが存在します。この支払いデータは、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。請求業者がそのデータにアクセスし、新しい革新的な方法で活用できれば、組織内の誰もがより良い意思決定を行い、運用改善を推進できるのです。データの民主化は、実行可能な洞察の宝庫を開きます。以下は、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つの方法です。2. ### 弱点を特定し改善し、優先事項を適切に指示する 支払いデータや統計情報を目の前に持つことは一つのことですが、それだけでは答えよりも多くの疑問が生まれることがあります。これらの数字は良いのか悪いのか？行動すべきか？そうであればどこに？ 支払いプロバイダーがあなたの支払いと顧客データを業界全体のデータと比較して測定・ベンチマークできるようにすると、さまざまな市場や地域で展開される支払い・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、平均より著し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をします。例えば、支払いの拒否率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。さらに、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くらい早くつながるか？業界全体と比べてどうか？」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日や時間を変更して、期日通りの支払いを促進することもできます。ベンチマークデータはまた、新たな支払いトレンドを特定し、迅速に対応して問題を解決したり、新たな要求に応えたりするのに役立ちます。特定の支払いタイプが注目を集めている、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も可能です。業界平均と比較して詳細なデータを把握できれば、反応し適応し、現実的なKPIを設定し、実際の運用効率を高める改善に集中できます。3. ### 今後を予測し、より良い計画を可能にする 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じることがあります。そこで、多くの企業は外部データも分析に取り入れ、外の世界で何が起きているかが支払い行動にどのように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につれ、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する機会も生まれます。信用スコア、消費者物価指数、国勢調査データなどと組み合わせることで、支払いプロバイダーは個人や層のリスクプロファイルを判断しやすくなり、支払いパターンの予測やエンゲージメント通信のターゲティング、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どのように影響するか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、企業は閉鎖し、住民は避難し、消費者は嵐への備えや復旧に多くの資金を投入し、請求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準備できます。支払い遅延が大きな問題になる前に、支払い者に積極的に働きかける自動化も可能です。例えば、支払い分割や支払期日を給料日と合わせる、より頻繁なリマインダーを送るといった解決策を提供できます。4. ### 不正やその他の問題に対処するための意思決定を自動化 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フラグ付けするのに役立つ情報もあります。ただし、請求業者がそのデータをリアルタイムで分析し、結果を予測し、自動的に対応できる仕組みを持っている必要があります。あなたの支払いプロバイダーは、人工知能(AI)や機械学習(ML)を活用して、これらの目標を達成し、不正行為や遅延支払い、ACHの返却などをコスト効率良く、信頼性高く検知・予測し、自動化されたビジネスルールを通じて事前に修正を開始できるようにすべきです。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ます。MLは、プログラムされるのではなく、データセットから学習します。データの分類、パターン認識、予測モデルの作成が可能です。AIプログラムはこれらの能力を活用し、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、自動運転車などはすべてAIの応用例です。支払い分野でAIを実現するためのMLモデルの一例は、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、顧客が6ヶ月以内に3回目のチャージバックを行った場合に自動的にカードを支払いオプションから除外するビジネスルールを適用することです。MLはこの対応を即座に、具体的に、自動的に行い、手動の入力や意思決定を不要にします。AIはまた、顧客体験の向上や運用コストの削減にも役立ちます。例えば、MLモデルは、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、テキスト機能と連携したパーソナライズされた支払いリンクを使ったセルフサービス支払いオプションに誘導したり、オートペイ登録を促す特別なエンゲージメントメッセージを送ったりするために利用されることもあります。一方、支払い遅延やACH返却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を給料日に合わせる提案、週次支払いを月次支払いに代える提案などのコミュニケーションを送ることも可能です。顧客はリンクをクリックして自分の意思決定を自立して実行でき、エージェントとの電話対応を省略できます。このような自動化されたデータ駆動の意思決定は、顧客にとって最も迅速かつ適切な支払い体験を提供し、サービス担当者の時間を重要なケースに集中させることができます。その間、これらの顧客の意思決定や将来の支払いパターンのデータは、MLモデルの訓練に利用され、将来の顧客にとって最も自立的で期日通りの支払いにつながる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に、または独立して起こるものではありません。まず、支払いを提供する側がサイロやゲートキーパーを排除し、データを完全かつ迅速に関係者の手に渡すことにコミットする必要があります。もし現在の支払いプロバイダー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。支払いプロバイダーはまず、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。これは、スタッフが内部でダウンロードして分析できる生データを提供したり、分析を代行したり、業界データと集約して可視化したり、外部ソースからのコンテキストデータを提供したりすることを意味します。これらの要素が整ったら、次はあなたの組織内のすべての関係者—技術的に詳しくない人も含めて—がデータを観測できる状態にし、事実に基づいた行動と目標追求を可能にすることです。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。これを活用することで、セルフサービスを増やし、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つことができるのです。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あり、製品開発チームを率いています。支払いと製品の経験は25年以上に及び、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、最も幅広い支払いオプションとチャネルを提供しながら、安全性と信頼性に焦点を当てて、クライアントが毎回確実に支払いを回収できるようにしています。
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
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データ量に相当します。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、それに迅速にアクセスし、分析し、現在および将来の意思決定に役立てることができなければ、何の役にも立ちません。その問いは、「データの民主化」または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価値についての議論を高めています。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、より大きな利益を生み出す戦略を立てるために利用できます。「民主化」の一部は、単にデータにアクセスできるようになることだけでなく、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。
フィンテック企業やそのクライアント、例えば請求業者は、利用可能な支払いデータの膨大さから、特に適しています。もしそのデータがすべての関係者にアクセス可能にできれば、より良い意思決定や運用の改善に役立てられるからです。この記事では、データ民主化の主要な障壁—データサイロとITゲートキーパー—について議論し、これらのデータへのアクセスを得ることが請求業者とその顧客の支払いをどのように変革できるかを説明します。
サイロとITゲートキーパー
過去50年間、データは主にIT技術者やアナリストによって管理されてきました。彼らは専門的な知識と訓練を持っています。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いることが多く、その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、リクエスト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渡るべきではありません。支払いプラットフォーム内には何十億ものデータポイントが存在します。この支払いデータは、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。請求業者がそのデータにアクセスし、新しい革新的な方法で活用できれば、組織内の誰もがより良い意思決定を行い、運用改善を推進できるのです。
データの民主化は、実行可能な洞察の宝庫を開きます。以下は、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つの方法です。
弱点を特定し改善し、優先事項を適切に指示する
支払いデータや統計情報を目の前に持つことは一つのことですが、それだけでは答えよりも多くの疑問が生まれることがあります。これらの数字は良いのか悪いのか？行動すべきか？そうであればどこに？
支払いプロバイダーがあなたの支払いと顧客データを業界全体のデータと比較して測定・ベンチマークできるようにすると、さまざまな市場や地域で展開される支払い・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、平均より著し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をします。
例えば、支払いの拒否率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。さらに、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くらい早くつながるか？業界全体と比べてどうか？」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日や時間を変更して、期日通りの支払いを促進することもできます。
ベンチマークデータはまた、新たな支払いトレンドを特定し、迅速に対応して問題を解決したり、新たな要求に応えたりするのに役立ちます。特定の支払いタイプが注目を集めている、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も可能です。業界平均と比較して詳細なデータを把握できれば、反応し適応し、現実的なKPIを設定し、実際の運用効率を高める改善に集中できます。
今後を予測し、より良い計画を可能にする
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じることがあります。そこで、多くの企業は外部データも分析に取り入れ、外の世界で何が起きているかが支払い行動にどのように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につれ、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する機会も生まれます。信用スコア、消費者物価指数、国勢調査データなどと組み合わせることで、支払いプロバイダーは個人や層のリスクプロファイルを判断しやすくなり、支払いパターンの予測やエンゲージメント通信のターゲティング、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どのように影響するか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、企業は閉鎖し、住民は避難し、消費者は嵐への備えや復旧に多くの資金を投入し、請求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準備できます。支払い遅延が大きな問題になる前に、支払い者に積極的に働きかける自動化も可能です。例えば、支払い分割や支払期日を給料日と合わせる、より頻繁なリマインダーを送るといった解決策を提供できます。
不正やその他の問題に対処するための意思決定を自動化
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フラグ付けするのに役立つ情報もあります。ただし、請求業者がそのデータをリアルタイムで分析し、結果を予測し、自動的に対応できる仕組みを持っている必要があります。あなたの支払いプロバイダーは、人工知能(AI)や機械学習(ML)を活用して、これらの目標を達成し、不正行為や遅延支払い、ACHの返却などをコスト効率良く、信頼性高く検知・予測し、自動化されたビジネスルールを通じて事前に修正を開始できるようにすべきです。
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ます。MLは、プログラムされるのではなく、データセットから学習します。データの分類、パターン認識、予測モデルの作成が可能です。AIプログラムはこれらの能力を活用し、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、自動運転車などはすべてAIの応用例です。
支払い分野でAIを実現するためのMLモデルの一例は、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、顧客が6ヶ月以内に3回目のチャージバックを行った場合に自動的にカードを支払いオプションから除外するビジネスルールを適用することです。MLはこの対応を即座に、具体的に、自動的に行い、手動の入力や意思決定を不要にします。
AIはまた、顧客体験の向上や運用コストの削減にも役立ちます。例えば、MLモデルは、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、テキスト機能と連携したパーソナライズされた支払いリンクを使ったセルフサービス支払いオプションに誘導したり、オートペイ登録を促す特別なエンゲージメントメッセージを送ったりするために利用されることもあります。
一方、支払い遅延やACH返却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を給料日に合わせる提案、週次支払いを月次支払いに代える提案などのコミュニケーションを送ることも可能です。顧客はリンクをクリックして自分の意思決定を自立して実行でき、エージェントとの電話対応を省略できます。このような自動化されたデータ駆動の意思決定は、顧客にとって最も迅速かつ適切な支払い体験を提供し、サービス担当者の時間を重要なケースに集中させることができます。
その間、これらの顧客の意思決定や将来の支払いパターンのデータは、MLモデルの訓練に利用され、将来の顧客にとって最も自立的で期日通りの支払いにつながる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に、または独立して起こるものではありません。まず、支払いを提供する側がサイロやゲートキーパーを排除し、データを完全かつ迅速に関係者の手に渡すことにコミットする必要があります。もし現在の支払いプロバイダー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。
支払いプロバイダーはまず、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。これは、スタッフが内部でダウンロードして分析できる生データを提供したり、分析を代行したり、業界データと集約して可視化したり、外部ソースからのコンテキストデータを提供したりすることを意味します。
これらの要素が整ったら、次はあなたの組織内のすべての関係者—技術的に詳しくない人も含めて—がデータを観測できる状態にし、事実に基づいた行動と目標追求を可能にすることです。
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。これを活用することで、セルフサービスを増やし、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つことができるのです。
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あり、製品開発チームを率いています。支払いと製品の経験は25年以上に及び、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、最も幅広い支払いオプションとチャネルを提供しながら、安全性と信頼性に焦点を当てて、クライアントが毎回確実に支払いを回収できるようにしています。