yottabyte（ヨタバイト）に挨拶しましょう。これは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に相当します。2030年代までに、世界は年間1ヨタバイト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大海原が、迅速にアクセスされ、分析され、活用されてこそ意味があります。現在および将来の意思決定に役立てられるかどうかが重要です。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につながっています。データが民主化されれば、それを使って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案できます。「民主化」の一部とは、単にデータへのアクセスを得ることだけではなく、技術的なバックグラウンドがさまざまな人々が、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、たとえば収納代行（billers）は、とりわけ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。支払いデータが大量に存在するからです――そして、そのデータが請求（billing）組織のすべてのステークホルダーにとって利用可能にできるなら、という前提があります。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（gatekeepers）――そして、このデータへのアクセスを得ることで、請求代行とその顧客の支払いをどう変えられるのかを取り上げます。サイロとITの門番---------------------------過去50年間、データは主にITの技術者やアナリストによって管理されてきました。彼らは専門知識と訓練を持っています。とりわけ支払いデータは、通常、支払いプラットフォームにロックされており、そこから提供者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本質的に、顧客が毎月、貸付機関に対して行うコミュニケーションの手段です。請求代行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ようになれば、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ために活用できます。 データを民主化することで、新しく革新的な方法で適用できる、実行可能な洞察の宝庫が開かれます。請求代行が運用効率を高め、意思決定を後押しするために、それらの洞察を活用できる方法を3つ挙げます： 2. ### 弱点の領域を特定して改善し、それに応じて優先順位を指示する 支払いデータや統計が手元にあることは一つのことですが、そこからは答えよりも多くの疑問が生まれることがよくあります。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、あなたの支払いおよび顧客データを、業界全体の集計データと照らして測定し、ベンチマークできるようにするなら、さまざまな市場や地域で展開される支払いと消費者のトレンドを追跡し、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を明らかにします――平均より明らかに上か下かといった領域で――業界がどちらへ向かっているのかを把握する助けになります。たとえば、減額（declined）の支払い率やチャージバック率を調べ、そ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。また、集計されたエンゲージメント（コミュニケーション）を分析し、「SMSとメールそれぞれの典型的なクリックスルー率はどれくらいで、当社の支払いに結びつくまでに業界全体と比べてどれほど早いのか？」といった問いを投げることもできます。さらに、ビジネスルールやパラメータをどこでシフトできるか、追加の支払いタイプを導入できるか、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、より多くのオンタイムな支払いにつなげられるかといった点に気づくかもしれません。 ベンチマークデータは、今後の支払いトレンドを特定するのにも役立ちます。問題に素早く対応したり、新たな需要に応えたりするためです。特定の支払いタイプがあるセグメントで勢いを増している、あるいは自動支払い（auto-payment）の遅延が特定の属性の中で起きていることに気づくかもしれません。データを粒度の高いレベルで、業界の平均値と積み重ねて（比較して）見ることができれば、現実的なKPIを設定し、実際の運用効率につながるプロセス改善に集中しながら、素早く反応し適応できます。 3. ### これから先を予測して、より良い計画を可能にする データ分析を社内ソースに、さらには業界全体のソースにまで限定すると、理解のうえでのギャップが生まれ得ます。そのため、多くの企業が外部データを分析に取り込んでいます。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に、より広い視野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を進めるにつれて、支払いデータを請求代行のエコシステムにストリーミングするための機会が開かれるかもしれません。他のデータポイント（信用スコア、消費者物価指数、国勢情報など）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しやすくなります。これにより、支払いパターンの予測精度が高まり、エンゲージメントコミュニケーションをより適切にターゲティングでき、さらにオンタイムな支払いを促すと知られているビジネスルールを自動化しやすくなります。政府の情報源から得られる経済データは、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体力に影響し得る領域を明らかにできます。天気予報データでさえも役に立つことがあります。たとえばハリケーン・イアン（Ian）は、事業者が閉鎖し、住民が避難し、消費者が嵐への備えと復旧のためにお金を投じた結果、フロリダ州全体の経済に甚大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、支払いへの影響を、カーブ（先行き）よりも早く、事前に備えることができます。また、支払いの未達がより大きく、より高コストな問題になる前に、請求代行の支払いプロバイダーと協力して、支払人（payer）へのアウトリーチを先回りで自動化することもできます。支払いを分割する、給料日（payday）に合わせて支払期日を変更する、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かもしれません。 4. ### 詐欺やその他の問題に対処するため、意思決定を自動化する 支払い業界は、潜在的な問題を見つけるのに役立つ莫大な量のデータを生み出していますが、請求代行がそのデータをリアルタイムで分析し、結果を予測し、対応を自動化する手段を持っている場合に限ります。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できるはずです。そうすることで、不正行為の可能性、支払いの遅延、ACHリターン（返金・差戻し）などを、費用対効果が高く、かつ確実に検知・予測し、さらに自動化されたビジネスルールを通じて、問題が起きる前に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を用いて構築されます。また、それ以外の手法も用います。MLでは、機械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。データを分類し、パターンを認識し、予測モデルを作ることができます。AIプログラムは、こうした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いずれもAIの応用例です。AIを達成するために支払い領域で設計されたMLモデルの例として、特定の顧客グループにおける高いチャージバックのパターンを識別し、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削除するビジネスルールを自動的に適用する、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意思決定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モデルがその裏側にあるAIの適用として、IVR、チャットボット、またはテキスト（SMS）での機能を、パーソナライズされた支払いリンクと組み合わせることで、信頼できる支払い履歴のある顧客を自分で手続きできる支払いオプションへ特定し誘導する、といった活用が考えられます。また、その顧客に対して、オートペイ（自動支払い）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が含まれます。一方、支払いの未達やACHリターンのパターンがある人には、どのように調整（reconcile）できるかという選択肢を含むコミュニケーションを送ることができます。たとえば、未達の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たいと思うでしょうか？支払い日を給料日に合わせるほうが役に立つと感じるでしょうか？それとも、月1回よりも毎週の支払いのほうが望ましいでしょうか？その後、顧客はリンクをクリックして、自分の判断をエージェントとの電話に頼らずに独立して実行できます。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形で支払い体験へ導きつつ、サービス担当者の時間を特別な注意が必要なケースに振り向けることを可能にします。その間に、そうした顧客の意思決定に関するデータや、将来の支払いパターンがMLモデルの学習に投入され、将来の顧客に対して、今後は独立してオンタイムな支払いにつながる可能性が高い選択肢を提示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側が、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のを妨げるサイロや門番を取り除くというコミットメントです。現状の支払いプロバイダーがそれを優先事項にしていないのなら、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まず、すべての支払いデータをコンパイルし、正規化するデータウェアハウスを開発すべきです。次に、そのデータをあなたにとって最も役立つ形式で提供すべきです。たとえば、スタッフが社内でダウンロードして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すること、業界データと統合して集計レベルで可視化すること、あるいは外部ソースから文脈（コンテキスト）付きのデータを提供することなどが考えられます。これらの要素が揃ったら、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であっても――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する必要があります。データ民主化のムーブメントは、請求代行が組織全体にわたって意思決定に証拠と文脈を加えるための土台を整えてきました。それを活用する人たちは、自走（セルフサービス）を強化して摩擦のない、満足度の高い顧客体験を生み出すように戦略を最適化するうえで優位性を得られます。著者について----------------Steve KramerはPayNearMeにおけるプロダクト担当のVice Presidentであり、プロダクト開発チームを率いています。支払い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確実に回収できるよう、セキュリティと信頼性に重点を置きながら、その方針を貫いています。
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（ヨタバイト）に挨拶しましょう。これは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に相当します。2030年代までに、世界は年間1ヨタバイト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大海原が、迅速にアクセスされ、分析され、活用されてこそ意味があります。現在および将来の意思決定に役立てられるかどうかが重要です。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につながっています。データが民主化されれば、それを使って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案できます。「民主化」の一部とは、単にデータへのアクセスを得ることだけではなく、技術的なバックグラウンドがさまざまな人々が、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、たとえば収納代行（billers）は、とりわけ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。支払いデータが大量に存在するからです――そして、そのデータが請求（billing）組織のすべてのステークホルダーにとって利用可能にできるなら、という前提があります。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（gatekeepers）――そして、このデータへのアクセスを得ることで、請求代行とその顧客の支払いをどう変えられるのかを取り上げます。
サイロとITの門番
過去50年間、データは主にITの技術者やアナリストによって管理されてきました。彼らは専門知識と訓練を持っています。とりわけ支払いデータは、通常、支払いプラットフォームにロックされており、そこから提供者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本質的に、顧客が毎月、貸付機関に対して行うコミュニケーションの手段です。請求代行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ようになれば、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ために活用できます。
データを民主化することで、新しく革新的な方法で適用できる、実行可能な洞察の宝庫が開かれます。請求代行が運用効率を高め、意思決定を後押しするために、それらの洞察を活用できる方法を3つ挙げます：
支払いデータや統計が手元にあることは一つのことですが、そこからは答えよりも多くの疑問が生まれることがよくあります。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、あなたの支払いおよび顧客データを、業界全体の集計データと照らして測定し、ベンチマークできるようにするなら、さまざまな市場や地域で展開される支払いと消費者のトレンドを追跡し、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を明らかにします――平均より明らかに上か下かといった領域で――業界がどちらへ向かっているのかを把握する助けになります。
たとえば、減額（declined）の支払い率やチャージバック率を調べ、そ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。また、集計されたエンゲージメント（コミュニケーション）を分析し、「SMSとメールそれぞれの典型的なクリックスルー率はどれくらいで、当社の支払いに結びつくまでに業界全体と比べてどれほど早いのか？」といった問いを投げることもできます。さらに、ビジネスルールやパラメータをどこでシフトできるか、追加の支払いタイプを導入できるか、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、より多くのオンタイムな支払いにつなげられるかといった点に気づくかもしれません。
ベンチマークデータは、今後の支払いトレンドを特定するのにも役立ちます。問題に素早く対応したり、新たな需要に応えたりするためです。特定の支払いタイプがあるセグメントで勢いを増している、あるいは自動支払い（auto-payment）の遅延が特定の属性の中で起きていることに気づくかもしれません。データを粒度の高いレベルで、業界の平均値と積み重ねて（比較して）見ることができれば、現実的なKPIを設定し、実際の運用効率につながるプロセス改善に集中しながら、素早く反応し適応できます。
データ分析を社内ソースに、さらには業界全体のソースにまで限定すると、理解のうえでのギャップが生まれ得ます。そのため、多くの企業が外部データを分析に取り込んでいます。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に、より広い視野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を進めるにつれて、支払いデータを請求代行のエコシステムにストリーミングするための機会が開かれるかもしれません。他のデータポイント（信用スコア、消費者物価指数、国勢情報など）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しやすくなります。これにより、支払いパターンの予測精度が高まり、エンゲージメントコミュニケーションをより適切にターゲティングでき、さらにオンタイムな支払いを促すと知られているビジネスルールを自動化しやすくなります。
政府の情報源から得られる経済データは、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体力に影響し得る領域を明らかにできます。天気予報データでさえも役に立つことがあります。たとえばハリケーン・イアン（Ian）は、事業者が閉鎖し、住民が避難し、消費者が嵐への備えと復旧のためにお金を投じた結果、フロリダ州全体の経済に甚大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、支払いへの影響を、カーブ（先行き）よりも早く、事前に備えることができます。また、支払いの未達がより大きく、より高コストな問題になる前に、請求代行の支払いプロバイダーと協力して、支払人（payer）へのアウトリーチを先回りで自動化することもできます。支払いを分割する、給料日（payday）に合わせて支払期日を変更する、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かもしれません。
支払い業界は、潜在的な問題を見つけるのに役立つ莫大な量のデータを生み出していますが、請求代行がそのデータをリアルタイムで分析し、結果を予測し、対応を自動化する手段を持っている場合に限ります。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できるはずです。そうすることで、不正行為の可能性、支払いの遅延、ACHリターン（返金・差戻し）などを、費用対効果が高く、かつ確実に検知・予測し、さらに自動化されたビジネスルールを通じて、問題が起きる前に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を用いて構築されます。また、それ以外の手法も用います。MLでは、機械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。データを分類し、パターンを認識し、予測モデルを作ることができます。AIプログラムは、こうした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いずれもAIの応用例です。
AIを達成するために支払い領域で設計されたMLモデルの例として、特定の顧客グループにおける高いチャージバックのパターンを識別し、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削除するビジネスルールを自動的に適用する、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意思決定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モデルがその裏側にあるAIの適用として、IVR、チャットボット、またはテキスト（SMS）での機能を、パーソナライズされた支払いリンクと組み合わせることで、信頼できる支払い履歴のある顧客を自分で手続きできる支払いオプションへ特定し誘導する、といった活用が考えられます。また、その顧客に対して、オートペイ（自動支払い）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が含まれます。
一方、支払いの未達やACHリターンのパターンがある人には、どのように調整（reconcile）できるかという選択肢を含むコミュニケーションを送ることができます。たとえば、未達の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たいと思うでしょうか？支払い日を給料日に合わせるほうが役に立つと感じるでしょうか？それとも、月1回よりも毎週の支払いのほうが望ましいでしょうか？その後、顧客はリンクをクリックして、自分の判断をエージェントとの電話に頼らずに独立して実行できます。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形で支払い体験へ導きつつ、サービス担当者の時間を特別な注意が必要なケースに振り向けることを可能にします。
その間に、そうした顧客の意思決定に関するデータや、将来の支払いパターンがMLモデルの学習に投入され、将来の顧客に対して、今後は独立してオンタイムな支払いにつながる可能性が高い選択肢を提示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側が、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のを妨げるサイロや門番を取り除くというコミットメントです。現状の支払いプロバイダーがそれを優先事項にしていないのなら、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まず、すべての支払いデータをコンパイルし、正規化するデータウェアハウスを開発すべきです。次に、そのデータをあなたにとって最も役立つ形式で提供すべきです。たとえば、スタッフが社内でダウンロードして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すること、業界データと統合して集計レベルで可視化すること、あるいは外部ソースから文脈（コンテキスト）付きのデータを提供することなどが考えられます。
これらの要素が揃ったら、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であっても――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する必要があります。
データ民主化のムーブメントは、請求代行が組織全体にわたって意思決定に証拠と文脈を加えるための土台を整えてきました。それを活用する人たちは、自走（セルフサービス）を強化して摩擦のない、満足度の高い顧客体験を生み出すように戦略を最適化するうえで優位性を得られます。
著者について
Steve KramerはPayNearMeにおけるプロダクト担当のVice Presidentであり、プロダクト開発チームを率いています。支払い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確実に回収できるよう、セキュリティと信頼性に重点を置きながら、その方針を貫いています。