Três formas de democratizar os dados podem melhorar o pagamento de contas para empresas e seus clientes

Diz olá ao iotabyte, que representa 1024 bytes, ou a quantidade de dados que caberia em DVDs empilhados da Terra até Marte. Pelos anos 2030, espera-se que o mundo gere um iotabyte de dados por ano.

Que utilidade tem, porém, este vasto oceano de dados, a menos que possa ser acedido, analisado e utilizado de forma expedita para informar decisões atuais e futuras? Essa pergunta deu origem a uma conversa crescente sobre o valor de “democratizar os dados” ou tornar os dados mais acessíveis a todas as partes de uma organização. Quando os dados são democratizados, podem ser usados para compreender a saúde do negócio, prever resultados e desenvolver estratégias para reduzir custos operacionais e obter mais lucros. Uma parte da “democratização” não é apenas conseguir acesso aos dados, mas permitir que pessoas com diferentes níveis de formação técnica consigam usar esses dados para informar decisões de negócio.

As empresas de fintech e os seus clientes, como as entidades de cobrança, estão particularmente bem posicionados para participar neste movimento de democratização devido à vasta quantidade de dados de pagamentos disponíveis — se esses dados puderem ser disponibilizados a todos os intervenientes na organização de cobrança. Neste artigo, vamos abordar as principais barreiras à democratização de dados — silos de dados e “gatekeepers” de TI — e como o acesso a esses dados pode transformar os pagamentos para as entidades de cobrança e os seus clientes.

Silos e o Gatekeeper de TI

Nos últimos 50 anos, os dados foram controlados em grande medida por técnicos e analistas de TI que têm conhecimentos especializados e formação. Os dados de pagamentos, em particular, ficam normalmente bloqueados em plataformas de pagamentos, a partir das quais as equipas de engenharia dos fornecedores compilam relatórios padrão para os seus clientes de forma trimestral e criam relatórios personalizados mediante pedido.

Os dados de pagamentos não devem ficar nas mãos de poucos. Existem milhares de milhões de pontos de dados que vivem dentro das plataformas de pagamentos. Essencialmente, este conjunto de dados de pagamentos é a forma como os clientes comunicam com as suas instituições de crédito todos os meses. Quando as entidades de cobrança conseguem aceder a esses dados e aplicá-los de novas e inovadoras formas, podem ser usados para ajudar toda a gente na sua organização a tomar decisões melhor informadas e impulsionar melhorias operacionais.

Democratizar os dados abre um verdadeiro tesouro de insights acionáveis que podem ser aplicados de novas e inovadoras formas. Aqui estão três maneiras de as entidades de cobrança aplicarem esses insights para aumentar a eficiência operacional e capacitar a tomada de decisão:

2.      

### Identificar e melhorar áreas de fragilidade e direcionar prioridades em conformidade

Ter dados e estatísticas de pagamentos à sua frente é uma coisa, mas isso muitas vezes levanta mais perguntas do que respostas. Os números são bons? Maus? Deve tomar alguma ação? E, se sim, onde?

Quando o seu fornecedor de pagamentos lhe permite medir e comparar (benchmark) os seus pagamentos e dados de clientes com dados agregados do setor, consegue acompanhar tendências de pagamentos e de consumidores à medida que se desenrolam em vários mercados e localizações e prever o impacto no seu negócio.

Os dados de benchmark revelam valores atípicos — áreas em que está claramente acima ou abaixo da média — e ajudam-no a perceber para onde o setor está a caminhar.

Por exemplo, pode analisar taxas de pagamentos recusados e chargebacks e, em seguida, determinar o que pode ser feito para alinhar os seus números com, ou para além, da média do setor. Pode também estudar comunicações agregadas de engagement, perguntando: “Quais são as taxas de cliques habituais para SMS versus email, e em quanto tempo isso se traduz num pagamento para o nosso negócio em comparação com o setor no seu conjunto?” Pode notar locais onde poderia ajustar regras ou parâmetros de negócio, introduzir novos tipos de pagamento ou mover mensagens de engagement para outro dia ou outra hora do dia para impulsionar mais pagamentos atempados.

Os dados de benchmark também ajudam a identificar tendências emergentes de pagamentos para que possa adaptar-se rapidamente e responder a problemas ou a novas exigências. Pode notar um determinado tipo de pagamento a ganhar tração ou atrasos em auto-pagamento a ocorrer num segmento demográfico específico. Quando consegue ver os seus dados de forma granular, comparados com as médias do setor, consegue reagir e adaptar-se, definir KPIs realistas e concentrar-se em melhorias de processo que geram eficiências operacionais reais.

3.      

### Prever o que está para vir para permitir um planeamento melhor

Limitar a análise de dados a fontes internas, e até a fontes do setor como um todo, pode criar lacunas na compreensão. É por isso que muitas empresas estão a incorporar dados externos nas suas análises; procuram uma perspetiva mais ampla para compreender como o que acontece no “mundo exterior” pode impactar o comportamento de pagamento hoje e no futuro.

À medida que mais fornecedores de plataformas de pagamentos avançam na democratização de dados, isso poderá abrir oportunidades para transmitir dados de pagamentos para o ecossistema da entidade de cobrança. Quando combinados com outros pontos de dados, como scores de crédito, o índice de preços no consumidor ou informação do censo, podem ajudar o seu fornecedor de pagamentos a determinar o perfil de risco de um indivíduo ou de um grupo demográfico, o que o ajuda a prever melhor padrões de pagamento, segmentar comunicações de engagement e automatizar regras de negócio conhecidas por incentivar pagamentos atempados.

Dados económicos provenientes de fontes governamentais podem revelar áreas onde o aumento do desemprego ou a queda do PIB podem afetar a solidez financeira de um grande grupo de clientes. Até dados de previsão meteorológica podem ser úteis. Por exemplo, o furacão Ian devastou a economia do estado da Flórida inteira: as empresas encerraram, os residentes fugiram e os consumidores despejaram dinheiro em preparar-se e recuperar do furacão, deixando-os com muito menos capacidade para pagar contas.

Quando tem dados prontamente disponíveis para fazer previsões baseadas em factos, pode preparar o seu negócio para impactos nos pagamentos antes de passar do ponto. Também pode trabalhar com o seu fornecedor de pagamentos para automatizar o contacto proativo com pagadores antes de pagamentos em falta se tornarem um problema maior e mais dispendioso. Pode conseguir oferecer soluções como dividir pagamentos, alterar as datas de vencimento para coincidirem com o dia de pagamento, ou enviar lembretes de pagamento mais frequentes.

4.      

### Automatizar a tomada de decisão para combater fraudes e outros problemas

A indústria de pagamentos gera uma quantidade enorme de dados que pode ser útil para sinalizar potenciais problemas — mas apenas se as entidades de cobrança tiverem forma de analisar esses dados em tempo real, prever resultados e automatizar respostas. O seu fornecedor de pagamentos deve conseguir tirar partido da inteligência artificial (IA) e da aprendizagem automática (ML) para concretizar esses objetivos, tornando possível detetar e prever de forma eficaz em termos de custos e de modo fiável atividade fraudulenta, pagamentos em atraso, devoluções ACH e mais, e iniciar correções de forma proativa através de regras de negócio automatizadas.

A ML e a IA estão ligadas no mesmo ecossistema — os sistemas de IA são construídos usando ML, bem como outras técnicas. Com ML, as máquinas aprendem com conjuntos de dados em vez de terem de ser programadas. Podem classificar dados, reconhecer padrões e criar modelos preditivos. Os programas de IA tiram partido destas capacidades para executar tarefas complexas, imitando capacidades e ações humanas. Chatbots, assistentes inteligentes como a Amazon Alexa, e carros autónomos são tudo aplicações de IA.

Um exemplo de um modelo de ML no setor dos pagamentos, concebido para alcançar IA, é identificar um padrão de chargebacks elevados para um determinado grupo de clientes e aplicar automaticamente uma regra de negócio para remover cartões como opção de pagamento assim que um cliente inicia o seu terceiro chargeback dentro de um período de seis meses. A ML torna esta resposta imediata, específica e automática, eliminando a necessidade de qualquer introdução manual ou tomada de decisão.

A IA também pode ajudar a melhorar a experiência do cliente e a reduzir custos operacionais. Por exemplo, um modelo de ML pode estar por trás de uma aplicação de IA para identificar e direcionar clientes com historiais de pagamento fiáveis para opções de self-service de pagamento usando capacidades de IVR, chatbot ou envio de mensagens, combinadas com links de pagamento personalizados. Também pode enviar a esses clientes mensagens especiais de engagement para incentivar a subscrição de pagamentos automáticos, incluindo links personalizados para tornar esse processo fácil e sem interrupções.

Por outro lado, aqueles com um padrão de pagamentos em falta ou devoluções ACH podem receber comunicações com opções para como regularizar. Por exemplo, gostariam de ver o pagamento em falta dividido em múltiplos pagamentos e adicionado a faturas futuras?  Considerariam útil mudar a sua data de pagamento para coincidir com o dia de pagamento? Ou seria preferível fazer pagamentos semanais em vez de um único pagamento mensal? Os clientes poderiam então clicar em links para implementar as suas decisões de forma independente, em vez de depender de uma chamada telefónica com um agente. Este tipo de tomada de decisão automatizada e orientada por dados leva os clientes à experiência de pagamento mais expedita e adequada para eles, enquanto reserva o tempo dos representantes de serviço para os casos que exigem atenção especial.

Entretanto, os dados provenientes das decisões desses clientes e os seus futuros padrões de pagamento entram no treino do modelo de ML para oferecer a futuros clientes as opções mais prováveis de conduzir a pagamentos independentes e atempados no futuro.

Como Democratizar Dados em Toda a Sua Organização

A democratização de dados não acontece de forma orgânica ou independente. Começa, em primeiro lugar, com o compromisso por parte do fornecedor do seu pagamento em remover os silos e os gatekeepers que se interpõem no caminho para que os dados cheguem de forma completa e expedita às mãos das suas partes interessadas. Se o seu fornecedor atual de pagamentos não estiver a tornar isto uma prioridade, talvez seja altura de procurar noutro lugar.

O seu fornecedor de pagamentos deve, antes de mais, estar a desenvolver um armazém de dados onde compila e normaliza todos os dados de pagamentos. De seguida, deve disponibilizar os dados no formato que for mais útil para si. Isto pode significar fornecer dados brutos para a sua equipa descarregar e analisar internamente, completar a análise por si, visualizar os seus dados de forma agregada com dados do setor, ou disponibilizar dados contextuais provenientes de fontes externas.

Assim que esses elementos estiverem no lugar, a bola passa para o seu lado: tornar os dados observáveis por todas as partes interessadas na sua organização — até as menos técnicas — para que possam agir e perseguir objetivos com base em factos, não em sensações.

O movimento de democratização de dados preparou o terreno para que as entidades de cobrança acrescentem evidência e contexto à tomada de decisão em toda a organização. Aqueles que aproveitam a oportunidade terão vantagem na otimização de estratégias para aumentar o self-service e criar uma experiência do cliente sem atritos e verdadeiramente satisfatória.

Sobre o Autor

Steve Kramer é Vice-Presidente de Produto na PayNearMe, onde lidera a equipa de desenvolvimento de produto. Com mais de 25 anos de experiência em pagamentos e em produto, Steve garante que as soluções da PayNearMe lideram o mercado ao reduzir o atrito do consumidor e ao oferecer a mais vasta gama de opções e canais de pagamento, mantendo-se, ao mesmo tempo, focado na segurança e na fiabilidade para assegurar que os clientes recolhem cada pagamento, todas as vezes.