Три способа демократизации данных, которые могут улучшить оплату счетов для бизнеса и их клиентов

Скажите привет йоттабайту — он соответствует 1024 байтам, или объёму данных, который поместился бы на DVD, сложенных с Земли до Марса. К 2030-м годам ожидается, что мир будет генерировать йоттабайт данных в год.

Но какая от этого огромная «каша» данных польза, если к ней нельзя быстро и удобно обращаться, анализировать и применять для принятия текущих и будущих решений? Этот вопрос стал причиной растущей дискуссии о ценности «демократизации данных» — то есть о том, чтобы сделать данные доступными для всех подразделений организации. Когда данные демократизированы, их можно использовать, чтобы понимать состояние бизнеса, прогнозировать результаты и разрабатывать стратегии по снижению операционных расходов и увеличению прибыли. Часть «демократизации» заключается не только в том, чтобы предоставить доступ к данным, но и в том, чтобы люди с разным уровнем технической подготовки могли использовать эти данные для принятия бизнес-решений.

Финтех-компании и их клиенты, такие как инкассаторы/выставляющие счета, особенно готовы участвовать в движении за демократизацию — благодаря огромному объёму доступных платёжных данных: если эти данные можно сделать доступными всем заинтересованным сторонам в организации выставления счетов. В этой статье мы обсудим основные барьеры демократизации данных — «информационные силосы» и ИТ-«привратников» — и то, как доступ к этим данным может преобразовать платежи для выставляющих счета и их клиентов.

Силосы и ИТ-привратник

В течение последних 50 лет данные в основном контролировали ИТ-специалисты и аналитики, которые обладают специализированными знаниями и подготовкой. В частности, платёжные данные обычно «заперты» в платёжных платформах, откуда инженерные команды поставщиков ежеквартально формируют стандартные отчёты для своих клиентов и создают пользовательские отчёты по запросу.

Платёжные данные не должны быть «в руках» лишь нескольких. В платёжных платформах живут миллиарды точек данных. По сути, эти платёжные данные — это способ, которым клиенты каждый месяц взаимодействуют со своими кредитными учреждениями. Когда выставляющие счета могут получать доступ к этим данным и применять их в новых и инновационных сценариях, это помогает всем в их организации принимать более обоснованные решения и добиваться операционных улучшений.

Демократизация данных открывает кладезь прикладных инсайтов, которые можно применять новыми и инновационными способами. Вот три способа, которыми выставляющие счета могут использовать эти инсайты, чтобы повысить операционную эффективность и дать людям возможность принимать решения:

2.      

### Определите и улучшите зоны слабых мест и направляйте приоритеты соответствующим образом

Наличие платёжных данных и статистики перед глазами — это одно, но это часто приводит к большему числу вопросов, чем ответов. Эти цифры хорошие? Плохие? Следует ли вам предпринять действия? И если да — где именно?

Когда ваш платёжный провайдер даёт вам возможность измерять и сопоставлять ваши платёжные и клиентские данные с совокупными данными по отрасли, вы можете отслеживать платёжные и потребительские тенденции по мере их развития в разных рынках и локациях и прогнозировать влияние на ваш бизнес.

Сопоставительные (benchmark) данные выявляют выбросы — зоны, где вы заметно выше или ниже среднего, — и помогают понять, в какую сторону движется отрасль.

Например, вы можете рассмотреть ставки отклонённых платежей и чарджбэков, а затем определить, что можно сделать, чтобы привести ваши показатели в соответствие с отраслевым средним уровнем — или превзойти его. Вы также можете изучить агрегированные коммуникации по вовлечённости, задавая вопрос: «Какие типичные показатели кликабельности (clickthrough rates) для SMS по сравнению с email, и как быстро это приводит к платежу для нашего бизнеса по сравнению со всем рынком в целом?» Вы можете заметить места, где можно изменить бизнес-правила или параметры, ввести новые типы платежей или перенести сообщения о вовлечённости на другой день или время суток, чтобы добиться большего числа платежей в срок.

Сопоставительные данные также помогают выявлять развивающиеся платёжные тенденции, чтобы вы могли быстро адаптироваться для решения проблем или удовлетворения новых требований. Вы можете заметить, что определённый тип платежей набирает обороты или что задержки автоплатежей отстают в конкретной демографической группе. Когда вы видите свои данные на детальном уровне, сопоставленные со средними по отрасли, вы можете быстро реагировать и адаптироваться, устанавливать реалистичные KPI и сосредоточиться на улучшениях процессов, которые обеспечивают реальные операционные эффективности.

3.      

### Прогнозируйте, что будет дальше, чтобы обеспечить более качественное планирование

Ограничение анализа данных внутренними источниками, а даже данными по всей отрасли, может оставлять пробелы в понимании. Вот почему многие компании включают внешние данные в свои анализы: они ищут более широкий взгляд, чтобы понять, как происходящее во «внешнем мире» может влиять на поведение при платежах сегодня и в будущем.

Поскольку всё больше провайдеров платёжных платформ углубляются в демократизацию данных, это может открыть возможности для потоковой передачи платёжных данных в экосистему выставляющего счета. В сочетании с другими точками данных, такими как кредитные рейтинги, индекс потребительских цен или данные переписи, это может помочь вашему платёжному провайдеру определить профиль риска отдельного человека или демографической группы — что позволит точнее прогнозировать паттерны платежей, таргетировать коммуникации о вовлечённости и автоматизировать бизнес-правила, которые, как известно, способствуют платежам в срок.

Экономические данные из государственных источников могут показать области, где рост безработицы или падение ВВП могут повлиять на финансовую устойчивость большой группы клиентов. Даже данные прогнозов погоды могут быть полезны. Например, ураган «Иэн» нанёс серьёзный ущерб всей экономике штата Флорида: предприятия закрывались, жители бежали, а потребители направляли деньги на подготовку к шторму и восстановление после него, что оставило им гораздо меньше возможностей платить по счетам.

Когда у вас есть данные, доступные для формирования факт-ориентированных прогнозов, вы можете подготовить свой бизнес к влиянию платежей заранее, не дожидаясь, пока ситуация выйдет за рамки «по графику». Вы также можете работать с вашим платёжным провайдером, чтобы автоматизировать проактивный аутрич тем, кто платит, прежде чем пропущенные платежи станут более крупной и более дорогой проблемой. Вы можете предложить решения, такие как разделение платежей, изменение сроков оплаты, чтобы они совпадали с зарплатой, или отправку более частых напоминаний о платежах.

4.      

### Автоматизируйте принятие решений, чтобы бороться с мошенничеством и другими проблемами

Платёжная индустрия генерирует огромное количество данных, которые могут быть полезны для выявления потенциальных проблем — но только если у выставляющих счета есть способ анализировать эти данные в реальном времени, прогнозировать результаты и автоматизировать ответы. Ваш платёжный провайдер должен уметь использовать искусственный интеллект (AI) и машинное обучение (ML), чтобы достичь этих целей: это позволит рентабельно и надёжно выявлять и прогнозировать мошенническую активность, просрочки платежей, возвраты по ACH и многое другое, а также инициировать исправления проактивно через автоматизированные бизнес-правила.

ML и AI связаны в одной экосистеме: AI-системы строятся с использованием ML, а также других подходов. С помощью ML машины обучаются на наборах данных, а не должны быть запрограммированы. Они могут классифицировать данные, распознавать паттерны и создавать прогнозные модели. Программы AI используют эти возможности для выполнения сложных задач, имитируя человеческие возможности и действия. Чатботы, умные помощники вроде Amazon Alexa и беспилотные автомобили — все это примеры прикладного использования AI.

Пример ML-модели в платёжном секторе, предназначенной для достижения AI, — выявление паттерна высоких чарджбэков для определённой группы клиентов и автоматическое применение бизнес-правила, чтобы убрать карты как вариант оплаты после того, как клиент инициирует свой третий чарджбэк в течение шестимесячного периода. ML делает этот ответ мгновенным, конкретным и автоматическим, устраняя необходимость в ручном вводе или принятии решений.

AI также может помочь улучшить клиентский опыт и снизить операционные расходы. Например, ML-модель может лежать в основе такого применения AI: определять и направлять клиентов с надёжной историей платежей в варианты оплаты самообслуживания с помощью IVR, чатбота или возможностей отправки SMS/текстовых сообщений, дополняя это персонализированными ссылками на оплату. Она также может отправлять этим клиентам специальные сообщения о вовлечённости, чтобы побуждать регистрироваться для автоплатежей, включая персонализированные ссылки, чтобы сделать этот процесс простым и бесшовным.

Тем же, у кого есть паттерн пропущенных платежей или возвратов по ACH, с другой стороны, можно отправлять коммуникации с вариантами того, как согласовать/урегулировать ситуацию. Например, им бы хотелось разбить пропущенный платёж на несколько платежей и добавить их к будущим счетам?  Им было бы полезно перенести дату платежа, чтобы она совпадала с зарплатой? Или предпочтительнее были бы еженедельные платежи вместо одного ежемесячного? Затем клиенты могли бы кликнуть по ссылкам, чтобы реализовать свои решения самостоятельно, не полагаясь на телефонный звонок с агентом. Такой тип автоматизированного, направляемого данными принятия решений приводит клиента к платёжному опыту, который для него наиболее оперативный и подходящий, при этом время сотрудников сервиса сохраняется для тех случаев, где требуется особое внимание.

А пока данные о решениях этих клиентов и их будущих платёжных паттернах используются для обучения ML-модели, чтобы предлагать будущим клиентам те опции, которые с наибольшей вероятностью приведут к самостоятельным, своевременным платежам в дальнейшем.

Как демократизировать данные по всей вашей организации

Демократизация данных не происходит органически или независимо. Сначала требуется обязательство со стороны поставщика вашего платёжного решения — убрать силосы и «привратников», которые мешают полностью и быстро передавать данные в руки ваших заинтересованных сторон. Если ваш текущий платёжный провайдер не делает это приоритетом, возможно, пришло время поискать другого.

Ваш платёжный провайдер в первую очередь должен разрабатывать дата-warehouse (хранилище данных), где он будет компилировать и нормализовать все платёжные данные. Затем он должен поставлять данные в наиболее полезном для вас формате. Это может означать предоставление «сырых» данных для того, чтобы ваша команда могла скачать и проанализировать их внутри, либо выполнение анализа для вас, визуализацию ваших данных в агрегированном виде вместе с данными отрасли, или предложение контекстных данных из внешних источников.

Когда все эти элементы будут на месте, мяч окажется на вашей стороне — сделать так, чтобы данные были наблюдаемыми (observable) для всех заинтересованных сторон в вашей организации — даже для менее технических — чтобы они могли предпринимать действия и добиваться целей на основе фактов, а не ощущений/интуиции.

Движение за демократизацию данных подготовило почву для того, чтобы выставляющие счета добавляли доказательства и контекст в принятие решений по всей организации. Те, кто воспользуется этим, получат преимущество в оптимизации стратегий: повышать эффективность самообслуживания и создавать бесшовный и удовлетворяющий клиентский опыт.

Об авторе

Стив Крамер — вице-президент по продукту в PayNearMe, где он руководит командой по разработке продукта. Имея более 25 лет опыта в платежах и продуктовой сфере, Стив обеспечивает, чтобы решения PayNearMe вели рынок, снижая трение для потребителей и предлагая самый широкий спектр вариантов оплаты и каналов — при этом оставаясь сосредоточенным на безопасности и надёжности, чтобы гарантировать, что клиенты будут собирать каждый платёж, каждый раз.