Три способа демократизации данных могут улучшить оплату счетов для компаний и их клиентов

Приветствуйте зеттабайт — это 1024 байта или объем данных, который поместился бы на DVD, сложенных от Земли до Марса. К 2030-м годам ожидается, что мир будет генерировать один зеттабайт данных в год.

Однако какая польза от этого огромного океана данных, если к ним нельзя быстро получить доступ, проанализировать и использовать для принятия текущих и будущих решений? Этот вопрос вызвал растущую дискуссию о ценности «демократизации данных» или повышении их доступности для всех частей организации. Когда данные демократизированы, их можно использовать для оценки состояния бизнеса, прогнозирования результатов и разработки стратегий по снижению операционных расходов и увеличению прибыли. Часть «демократизации» — это не только доступ к данным, но и возможность людям с разным техническим уровнем использовать эти данные для принятия бизнес-решений.

Финтех-компании и их клиенты, такие как выставляющие счета, особенно готовы участвовать в движении демократизации благодаря огромному объему платежных данных — если эти данные можно сделать доступными для всех заинтересованных сторон в организации по выставлению счетов. В этой статье мы обсудим основные препятствия на пути демократизации данных — изолированные хранилища данных и ИТ-стражи — и как доступ к этим данным может преобразовать платежи для выставляющих счета и их клиентов.

Изолированные хранилища и ИТ-стражи

Последние 50 лет данные в основном контролировались ИТ-специалистами и аналитиками, обладающими специализированными знаниями и навыками. Особенно платежные данные обычно хранятся в платежных платформах, из которых инженерные команды поставщиков формируют стандартные отчеты для клиентов раз в квартал и создают индивидуальные отчеты по запросу.

Данные о платежах не должны быть в руках у немногих. В платежных платформах хранится миллиарды точек данных. Эти данные по сути — это способ, которым клиенты общаются со своими кредитными учреждениями каждый месяц. Когда выставляющие счета могут получать доступ к этим данным и использовать их новыми и инновационными способами, это помогает всем в организации принимать более обоснованные решения и внедрять операционные улучшения.

Демократизация данных открывает кладезь ценных инсайтов, которые можно применять по-новому и с пользой. Вот три способа, как выставляющие счета могут использовать эти инсайты для повышения операционной эффективности и поддержки принятия решений:

1. Определять и улучшать слабые места, расставляя приоритеты

Иметь платежные данные и статистику перед глазами — это одно, но это часто вызывает больше вопросов, чем ответов. Хороши ли эти показатели? Плохи? Нужно ли предпринимать действия? И если да, то какие?

Когда ваш платежный провайдер позволяет измерять и сравнивать ваши платежи и данные клиентов с агрегированными отраслевыми данными, вы можете отслеживать тенденции платежей и поведения потребителей в различных рынках и регионах и прогнозировать влияние на ваш бизнес.

Данные для сравнения выявляют аномалии — области, где показатели заметно выше или ниже среднего — и помогают понять, в каком направлении движется отрасль.

Например, вы можете проанализировать уровень отказов платежей и возвратов и определить, что можно сделать, чтобы привести ваши показатели в соответствие или превзойти отраслевой средний уровень. Также можно изучить агрегированные коммуникации с клиентами, задаваясь вопросом: «Какой средний показатель кликабельности SMS по сравнению с электронной почтой, и насколько быстро это приводит к оплате у нас по сравнению с отраслью?» Вы можете заметить места, где стоит изменить бизнес-правила или параметры, ввести новые типы платежей или перенести сообщения о взаимодействии на другой день или время, чтобы стимулировать более своевременные платежи.

Данные для сравнения также помогают выявлять новые тенденции в платежах, чтобы быстро адаптироваться к проблемам или новым требованиям. Возможно, вы заметите рост популярности определенного типа платежа или задержки с автоплатежами в конкретной демографической группе. Видя свои данные в деталях и сравнивая их с отраслевыми средними, вы можете реагировать и адаптироваться, устанавливать реалистичные KPI и сосредоточиться на улучшении процессов, которые реально повышают операционную эффективность.

2. Предсказывать будущее для лучшего планирования

Ограничение анализа данных внутренними источниками и даже отраслевыми данными может оставить пробелы в понимании ситуации. Поэтому многие компании включают внешние данные в свои анализы, чтобы получить более широкий взгляд на то, как происходящее в «внешнем мире» может влиять на платежное поведение сегодня и в будущем.

По мере того как все больше поставщиков платежных платформ внедряют демократизацию данных, появляется возможность передавать платежные данные в экосистему выставляющих счета. В сочетании с другими данными, такими как кредитные рейтинги, индекс потребительских цен или данные переписи, это помогает определить риск-профиль отдельного клиента или демографической группы, что позволяет лучше прогнозировать платежные модели, целенаправленно отправлять коммуникации и автоматизировать бизнес-правила, стимулирующие своевременные платежи.

Экономические данные государственных источников могут выявить области, где рост безработицы или снижение ВВП могут повлиять на финансовую устойчивость большой группы клиентов. Даже данные о погоде могут быть полезны. Например, ураган Иан нанес ущерб всей экономике Флориды: бизнесы закрывались, жители уезжали, а потребители тратили деньги на подготовку и восстановление после шторма, что снижало их платежеспособность.

Когда у вас есть доступ к данным для обоснованных прогнозов, вы можете подготовить бизнес к возможным последствиям платежей заранее. Также можно работать с платежным провайдером, чтобы автоматизировать контакты с должниками до того, как пропущенные платежи перерастут в более крупную и дорогую проблему. Можно предложить решения, такие как разбивка платежа на части, перенос даты платежа на день зарплаты или более частые напоминания о платеже.

3. Автоматизировать принятие решений для борьбы с мошенничеством и другими проблемами

Платежная индустрия генерирует огромное количество данных, которые могут помочь выявлять потенциальные проблемы — если выставляющие счета смогут анализировать эти данные в реальном времени, прогнозировать результаты и автоматизировать реакции. Ваш платежный провайдер должен использовать искусственный интеллект (ИИ) и машинное обучение (МЛ) для достижения этих целей, что позволяет эффективно и надежно обнаруживать и предсказывать мошенническую активность, задержки платежей, возвраты по ACH и другие ситуации, а также инициировать исправительные меры автоматически через бизнес-правила.

МЛ и ИИ связаны в одной экосистеме — системы ИИ создаются с использованием МЛ и других технологий. МЛ позволяет машинам учиться на наборах данных без необходимости программирования, классифицировать данные, распознавать шаблоны и создавать предиктивные модели. Эти возможности используют системы ИИ для выполнения сложных задач, имитируя человеческие действия. Например, чат-боты, умные помощники вроде Amazon Alexa и автономные автомобили — все это приложения ИИ.

Пример модели МЛ в платежной сфере — выявление закономерностей высокого уровня возвратов по картам у определенной группы клиентов и автоматическое применение бизнес-правила для исключения карт как способа оплаты после третьего возврата за шесть месяцев. МЛ делает этот ответ мгновенным, точным и автоматическим, исключая необходимость ручного вмешательства.

ИИ также помогает улучшить клиентский опыт и снизить операционные расходы. Например, модель МЛ может использоваться для направления клиентов с надежной историей платежей к самостоятельным способам оплаты через IVR, чат-бот или SMS с персонализированными ссылками. Также можно отправлять этим клиентам специальные сообщения для стимулирования автоплатежа, включая персонализированные ссылки для упрощения процесса.

Клиенты с историей пропущенных платежей или возвратов по ACH могут получать сообщения с вариантами решения — например, разбить пропущенный платеж на несколько частей и добавить их к будущим счетам, перенести дату платежа на день зарплаты или делать еженедельные платежи вместо одного ежемесячного. Они могут самостоятельно перейти по ссылкам и реализовать свои решения, не обращаясь к оператору. Такой автоматизированный и основанный на данных подход позволяет максимально быстро и удобно для клиента завершить платеж, освобождая время службы поддержки для более сложных случаев.

Между тем, данные о решениях клиентов и их будущих платежных моделях используются для обучения модели МЛ, чтобы в будущем предлагать наиболее вероятные для своевременной и самостоятельной оплаты варианты.

Как демократизировать данные по всей организации

Демократизация данных не происходит сама по себе. Для этого необходимо обязательство со стороны вашего платежного провайдера — устранить изолированные хранилища и барьеры, мешающие полностью и быстро передавать данные заинтересованным сторонам. Если ваш текущий провайдер не делает этого приоритетом, возможно, пора искать другого.

Ваш платежный провайдер должен сначала создать хранилище данных, где он будет собирать и нормализовать все платежные данные. Затем он должен предоставлять эти данные в наиболее удобном для вас формате. Это может означать предоставление необработанных данных для внутреннего анализа, выполнение анализа за вас, визуализацию данных в совокупности с отраслевыми или предоставление контекстных данных из внешних источников.

Когда эти элементы будут реализованы, ваша задача — сделать данные доступными для всех заинтересованных сторон в организации — даже для менее технических — чтобы они могли предпринимать действия и достигать целей, основываясь на фактах, а не на чувствах.

Движение за демократизацию данных создало условия для выставляющих счета добавлять доказательства и контекст в процессы принятия решений по всей организации. Те, кто воспользуются этим, получат преимущество в оптимизации стратегий по увеличению самосервиса и созданию беспрепятственного и удовлетворительного клиентского опыта.

Об авторе

Стив Крамер — вице-президент по продуктам в PayNearMe, руководит командой разработки продуктов. С более чем 25-летним опытом в области платежей и продуктов, он обеспечивает лидерство решений PayNearMe, снижая трение для потребителей и предлагая широкий спектр способов и каналов платежей, при этом уделяя особое внимание безопасности и надежности, чтобы клиенты получали каждый платеж вовремя.