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

Diga olá ao yottabyte, que representa 1024 bytes, ou a quantidade de dados que caberia em DVDs empilhados de Earth até Mars. Pelos anos 2030, espera-se que o mundo gere 1 yottabyte de dados por ano.

Que utilidade tem, porém, este vasto oceano de dados, a menos que possa ser acedido de forma expedita, analisado e utilizado para informar decisões actuais e futuras? Esta questão 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 despesas operacionais e aumentar ainda mais os lucros. Parte da “democratização” não é apenas obter 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 os cobradores, estão especialmente bem posicionados para participar no movimento de democratização devido à vasta quantidade de dados de pagamentos disponíveis — desde que esses dados possam ser disponibilizados a todos os intervenientes na organização de cobranças. Neste artigo, vamos discutir as principais barreiras à democratização dos dados — silos de dados e IT Gatekeepers — e como ganhar acesso a esses dados pode transformar os pagamentos para cobradores e para os seus clientes.

Silos e os IT Gatekeepers

Durante os últimos 50 anos, os dados têm sido controlados em grande medida por técnicos e analistas de TI, com conhecimentos e formação especializados. Os dados de pagamentos, em particular, ficam normalmente bloqueados em plataformas de pagamentos, onde as equipas de engenharia dos fornecedores compilam relatórios standard para os seus clientes trimestralmente e criam relatórios personalizados mediante pedido.

Os dados de pagamentos não deveriam ficar nas mãos de apenas alguns. Existem milhares de milhões de pontos de dados que residem nas plataformas de pagamentos. Este conjunto de dados de pagamentos é, essencialmente, a forma como os clientes comunicam com as suas instituições de crédito todos os meses. Quando os cobradores conseguem aceder e aplicar esses dados de formas novas e inovadoras, pode ser usado para ajudar toda a organização a tomar decisões mais bem fundamentadas e a impulsionar melhorias operacionais.

A democratização dos dados abre um tesouro de insights accionáveis que podem ser aplicados de formas novas e inovadoras. Aqui estão três formas de os cobradores colocarem esses insights em prática para reforçar a eficiência operacional e capacitar a tomada de decisão:

2.      

### Identificar e melhorar áreas de fraqueza e definir prioridades em conformidade

Ter dados e estatísticas de pagamentos à sua frente é uma coisa, mas isso muitas vezes leva a mais perguntas do que respostas. Estes números são bons? Maus? Deve agir? E, se sim, onde?

Quando o seu fornecedor de pagamentos lhe permite medir e comparar os seus pagamentos e os dados dos seus clientes com dados agregados da indústria, pode acompanhar as 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 benchmarking revelam outliers — áreas em que está claramente acima ou abaixo da média — e ajudam-no a perceber para onde a indústria 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 acima, da média da indústria. Também pode estudar comunicações de engagement agregadas, perguntando: “Quais são as taxas típicas de clickthrough para SMS versus email, e com que rapidez isso se traduz num pagamento para o nosso negócio em comparação com a indústria como um todo?” Pode também identificar locais onde poderia alterar regras do negócio ou parâmetros, introduzir novos tipos de pagamento ou transferir mensagens de engagement para outro dia ou para outra hora do dia para gerar mais pagamentos atempados.

Os dados de benchmarking também ajudam-no a identificar tendências emergentes de pagamentos para se adaptar rapidamente e resolver problemas ou corresponder a novas exigências. Pode notar um determinado tipo de pagamento a ganhar tracção ou um atraso em auto-pagamento a registar-se num segmento demográfico específico. Quando consegue ver os seus dados a um nível granular, empilhados contra as médias da indústria, pode 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 de toda a indústria, pode deixar lacunas na compreensão. É por isso que muitas empresas estão a incorporar dados externos nas suas análises; procuram uma perspectiva mais abrangente para perceber como o que está a acontecer no “mundo exterior” pode impactar o comportamento de pagamentos hoje e no futuro.

À medida que mais fornecedores de plataformas de pagamentos se aprofundam na democratização dos dados, isso pode abrir oportunidades para transmitir dados de pagamentos para o ecossistema do cobrador. Quando combinados com outros pontos de dados, como credit scores, consumer price index, ou census information, pode 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, a direccionar comunicações de engagement e a automatizar regras de negócio conhecidas por incentivar pagamentos atempados.

Os dados económicos provenientes de fontes governamentais podem revelar áreas onde o aumento do desemprego ou a descida do GDP poderia afectar a solidez financeira de um grande grupo de clientes. Até dados de previsão meteorológica podem ser úteis. Por exemplo, Hurricane Ian causou estragos na economia de todo o estado da Florida: empresas encerraram, os residentes fugiram e os consumidores despejaram dinheiro na preparação para e na recuperação do temporal, ficando 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 da curva. Também pode trabalhar com o seu fornecedor de pagamentos para automatizar o contacto com pagadores de forma proactiva antes de pagamentos em falta se tornarem um problema maior e mais caro. Pode conseguir oferecer soluções como dividir pagamentos, alterar as datas de vencimento para coincidirem com payday ou enviar lembretes de pagamentos mais frequentes.

4.      

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

A indústria de pagamentos gera uma quantidade enorme de dados que pode ser útil para sinalizar potenciais problemas — mas apenas se os cobradores tiverem uma forma de analisar esses dados em tempo real, prever resultados e automatizar respostas. O seu fornecedor de pagamentos deve ser capaz de tirar partido de artificial intelligence (AI) e de machine learning (ML) para concretizar esses objectivos, tornando possível detectar e prever de forma económica e fiável actividade fraudulenta, pagamentos em atraso, ACH returns, e muito mais, e iniciar correcções de forma proactiva através de regras de negócio automatizadas.

ML e AI estão ligados no mesmo ecossistema — os sistemas de AI 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 AI aproveitam essas capacidades para executar tarefas complexas, simulando capacidades e acções humanas. Chatbots, assistentes inteligentes como Amazon Alexa e carros autónomos são todas aplicações de AI.

Um exemplo de um modelo de ML no sector dos pagamentos concebido para alcançar AI 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 iniciar o seu terceiro chargeback num período de seis meses. O ML torna esta resposta imediata, específica e automática, eliminando qualquer necessidade de introdução manual ou tomada de decisão.

A AI também pode ajudar a melhorar a experiência do cliente e a reduzir despesas operacionais. Por exemplo, um modelo de ML pode estar por detrás de uma aplicação de AI para identificar e encaminhar clientes com historiais de pagamento fiáveis para opções de auto-serviço, usando capacidades de IVR, chatbot ou texting, combinadas com links de pagamento personalizados. Também pode enviar a esses clientes mensagens especiais de engagement para incentivar a subscrição de auto-pay, incluindo links personalizados para tornar esse processo fácil e sem falhas.

Por outro lado, aqueles com um padrão de pagamentos em falta ou ACH returns podem receber comunicações com opções sobre como regularizar. Por exemplo, gostariam de ver o seu pagamento em falta dividido em múltiplos pagamentos e adicionado a facturas futuras? Gostariam de ver a data do pagamento alterada para coincidir com payday? 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 proporciona aos clientes a experiência de pagamento mais expedita e adequada para eles, reservando o tempo dos representantes de serviço para os casos que necessitam de atenção especial.

Entretanto, os dados provenientes das decisões desses clientes e dos seus futuros padrões de pagamento são usados para treinar o modelo de ML, de modo a oferecer aos futuros clientes as opções que são mais susceptíveis de conduzir a pagamentos independentes e atempados no futuro.

Como Democratizar Dados em Toda a Sua Organização

A democratização dos dados não acontece de forma orgânica nem de forma independente. Em primeiro lugar, exige um compromisso por parte do fornecedor do seu pagamento para remover os silos e os gatekeepers que impedem que os dados cheguem de forma completa e expedita às mãos dos seus intervenientes. Se o seu fornecedor de pagamentos actual não estiver a tornar isto uma prioridade, pode ser altura de procurar noutro lugar.

O seu fornecedor de pagamentos deve, em primeiro lugar, estar a desenvolver uma data warehouse onde compila e normaliza todos os dados de pagamentos. Deve então disponibilizar os dados no formato mais útil para si. Isto pode significar fornecer dados brutos para a sua equipa descarregar e analisar internamente, concluir a análise por si, visualizar os seus dados de forma agregada com os dados da indústria, ou disponibilizar dados contextuais a partir de fontes externas.

Assim que esses elementos estiverem no lugar, cabe-lhe a si tornar os dados observáveis por todos os intervenientes na sua organização — até pelos menos técnicos — para que possam agir e prosseguir objectivos com base em factos, e não em sentimentos.

O movimento de democratização dos dados criou a base para que os cobradores adicionem evidência e contexto à tomada de decisão em toda a organização. Aqueles que tirarem proveito disso terão a vantagem em optimizar estratégias para aumentar o auto-serviço e criar uma experiência de cliente sem fricções e satisfatória.

Sobre o Autor

Steve Kramer é o Vice-Presidente de Produto na PayNearMe, onde lidera a equipa de desenvolvimento de produto. Com mais de 25 anos de experiência em pagamentos e produto, Steve garante que as soluções da PayNearMe lideram o mercado ao reduzir a fricção para os consumidores e ao oferecer a mais ampla gama de opções e canais de pagamento, mantendo-se simultaneamente focado na segurança e na fiabilidade para assegurar que os clientes cobram todos os pagamentos, todas as vezes.