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

Поздоровайтесь с зеттабайтом, который представляет собой 1024 байта или объем данных, который поместился бы на DVD, сложенные от Земли до Марса. К 2030-м годам ожидается, что мир будет генерировать зеттабайт данных в год.

Какой же смысл в этом огромном океане данных, если их нельзя быстро получить, проанализировать и использовать для принятия текущих и будущих решений? Этот вопрос вызвал растущую дискуссию о ценности «демократизации данных» или о том, чтобы сделать данные более доступными для всех частей организации. Когда данные демократизированы, их можно использовать для понимания состояния бизнеса, прогнозирования результатов и разработки стратегий по снижению операционных расходов и увеличению прибыли. Часть «демократизации» — это не только получение доступа к данным, но и возможность людям с разным техническим уровнем использовать эти данные для информирования 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 барьеры 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

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

Данные платежей не должны быть в руках у немногих. В платежных платформах хранится миллиарды точек данных. Эти платежные данные по сути — это способ, которым клиенты общаются со своими кредитными учреждениями каждый месяц. Когда выставляющие счета могут получить 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 сокровищницу действенных инсайтов, которые можно применять по-новому и с инновациями. Вот три способа, как выставляющие счета могут использовать эти инсайты для повышения операционной эффективности и поддержки принятия решений:

2.      

### Определять и улучшать слабые места и направлять приоритеты соответственно

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

Когда ваш поставщик платежных услуг позволяет вам измерять и сравнивать ваши платежи и данные клиентов с агрегированными отраслевыми данными, вы можете отслеживать тенденции платежей и потребительского поведения по различным рынкам и регионам и прогнозировать влияние на ваш бизнес.

Данные для бенчмаркинга выявляют выбросы — области, где вы заметно выше или ниже среднего — и помогают понять, в каком направлении движется отрасль.

Например, вы можете проанализировать уровень отклоненных платежей и возвратов и определить, что можно сделать, чтобы привести ваши показатели в соответствие с отраслевыми или превзойти их. Также можно изучить агрегированные коммуникации по взаимодействию, задаваясь вопросом: «Какой средний уровень кликабельности для SMS по сравнению с электронной почтой, и насколько быстро это приводит к платежу 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 бенчмаркинга также помогают выявлять новые тенденции в платежах, чтобы быстро адаптироваться к проблемам или новым требованиям. Вы можете заметить, что какой-то тип платежа набирает популярность, или что автоматические платежи отстают у определенной демографической группы. Когда вы видите свои данные в деталях, сравнивая их с отраслевыми средними, вы можете реагировать и адаптироваться, устанавливать реалистичные KPI и сосредоточиться на улучшении процессов, которые действительно повышают операционную эффективность.

3.      

### Предсказывать будущее для лучшего планирования

Ограничение анализа данных внутренними источниками, а также отраслевыми, может оставить пробелы в понимании ситуации. Поэтому многие компании включают внешние данные в свои анализы; они ищут более широкий взгляд, чтобы понять, как происходящее в «внешнем мире» может влиять на платежное поведение сегодня и в будущем.

По мере того, как все больше поставщиков платежных платформ углубляются в демократизацию данных, это может открыть возможности для потоковой передачи платежных данных в экосистему выставляющих счета. В сочетании с другими данными, такими как кредитные рейтинги, индекс потребительских цен или данные переписи, это помогает вашему поставщику платежных услуг определить риск-профиль отдельного человека или демографической группы, что помогает 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 падение ВВП могут повлиять на финансовую устойчивость большой группы клиентов. Даже данные о погодных условиях могут быть полезны. Например, ураган Иан нанес огромный ущерб экономике всего штата Флорида: бизнесы закрывались, жители уезжали, а потребители тратили деньги на подготовку к шторму и восстановление после него, что снижало их способность платить счета.

Когда у вас есть данные, позволяющие делать основанные на фактах прогнозы, вы можете подготовить бизнес к возможным последствиям платежей заранее. Также можно работать с поставщиком платежных услуг, чтобы автоматизировать контакты с плательщиками до того, как пропущенные платежи станут более крупной и дорогой проблемой. Можно предложить решения, такие как разделение платежа на части, изменение даты платежа под дату выплаты зарплаты или отправка более частых напоминаний о платеже.

4.      

### Автоматизировать принятие решений для борьбы с мошенничеством и другими проблемами

Индустрия платежей генерирует огромное количество данных, которые могут быть полезны для выявления потенциальных проблем — если выставляющие счета смогут анализировать эти данные в реальном времени, прогнозировать результаты и автоматизировать реакции. Ваш поставщик платежных услуг должен уметь использовать искусственный интеллект (AI) и машинное обучение (ML) для достижения этих целей, что позволяет эффективно и надежно обнаруживать и прогнозировать мошенническую активность, просроченные платежи, возвраты по ACH и другие ситуации, а также инициировать исправления автоматически через бизнес-правила.

ML и AI связаны в одной экосистеме — системы AI строятся с использованием ML и других технологий. С помощью ML машины учатся на наборах данных, а не программируются вручную. Они могут классифицировать данные, распознавать шаблоны и создавать предиктивные модели. Программы AI используют эти возможности для выполнения сложных задач, имитируя человеческие способности и действия. Чат-боты, умные помощники, такие как Amazon Alexa, и автономные автомобили — все это приложения AI.

Пример модели ML в платежной сфере, предназначенной для достижения AI, — выявление паттерна высокого количества возвратов по картам у определенной группы клиентов и автоматическое применение бизнес-правила для исключения карт как способа оплаты после третьего возврата за шесть месяцев. ML делает этот ответ мгновенным, конкретным и автоматическим, исключая необходимость ручного вмешательства или принятия решений.

AI также помогает улучшить клиентский опыт и снизить операционные расходы. Например, модель ML может использоваться для направления клиентов с надежной историей платежей к самостоятельным вариантам оплаты через IVR, чат-бот или SMS, с персонализированными ссылками для оплаты. Она также может отправлять этим клиентам специальные сообщения для поощрения автоматической подписки на платежи, включая персонализированные ссылки для упрощения процесса.

Клиенты с историей пропущенных платежей или возвратов по ACH могут получать сообщения с вариантами урегулирования. Например, хотят ли они разбить пропущенный платеж на несколько частей и добавить их к будущим счетам? Полезно ли им перенести дату платежа под дату выплаты зарплаты? Или лучше делать еженедельные платежи вместо одного ежемесячного? Клиенты могут кликнуть по ссылкам, чтобы самостоятельно реализовать свои решения, без звонка оператору. Такой автоматизированный, основанный на данных подход к принятию решений позволяет клиентам максимально быстро и удобно пройти платежный опыт, освобождая время сотрудников для более сложных случаев.

Тем временем, данные о решениях клиентов и их будущих платежных моделях используются для обучения модели ML, чтобы предлагать будущим клиентам наиболее вероятные варианты самостоятельных своевременных платежей.

Как демократизировать данные по всей организации

Демократизация данных не происходит сама по себе или независимо. Для этого требуется обязательство со стороны поставщика платежных услуг устранить изолированные хранилища и барьеры, мешающие полностью и быстро передавать данные заинтересованным сторонам. Если ваш текущий поставщик платежных услуг не делает этого приоритетом, возможно, пора искать другого.

Ваш поставщик платежных услуг должен сначала создать хранилище данных, где он собирает и нормализует все платежные данные. Затем он должен предоставлять эти данные в наиболее удобном для вас формате. Это может означать предоставление необработанных данных для внутреннего анализа вашей командой, 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 ставить цели, основываясь на фактах, а не на чувствах.

Движение за демократизацию данных подготовило почву для того, чтобы выставляющие счета могли 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 Kramer — вице-президент по продуктам в PayNearMe, руководит командой разработки продуктов. Имея более 25 лет опыта в области платежей и продуктов, Стив обеспечивает лидерство решений PayNearMe, снижая трение для потребителей и предлагая самый широкий спектр вариантов и каналов платежей, при этом уделяя особое внимание безопасности и надежности, чтобы клиенты получали каждый платеж вовремя.