来自政府来源的经济数据可以揭示那些区域：例如失业率上升或 GDP 下滑，可能会影响大量客户的经济承受能力。甚至天气预报数据也可能有用。比如，飓风伊恩（Hurricane Ian）对整个佛罗里达州州级经济造成了巨大破坏：企业关门、居民逃离，消费者将资金投入到为应对风暴与从风暴中恢复而做准备之中，结果导致他们可用于偿付账单的能力大幅下降。
ML 与 AI 处于同一个生态系统中并相互关联——AI 系统的构建会使用 ML，以及其他技术。通过 ML，机器能够从数据集学习，而不需要被逐一编程。它们可以对数据进行分类、识别模式，并创建预测模型。AI 程序会利用这些能力来完成复杂任务，模拟人类的能力与行动。聊天机器人、诸如 Amazon Alexa 的智能助手，以及自动驾驶汽车，都是 AI 的应用。
在支付领域，一个旨在实现 AI 的 ML 模型示例是：识别某一特定客户群存在较高拒付（chargebacks）的模式，并在客户于六个月内发起第三次拒付后，自动应用业务规则将卡从可选支付方式中移除。ML 使这种响应变得即时、具体且自动化，从而无需任何手动输入或决策。
AI 也能帮助改善客户体验并降低运营开支。例如，一个 ML 模型可以支撑这样的 AI 应用：识别并引导具有可靠支付历史的客户，使用 IVR、聊天机器人或短信能力，结合个性化支付链接，选择自助支付选项。它还可以向这些客户发送专门的互动消息，以鼓励其注册自动支付，并包含个性化链接，使整个流程变得轻松且无缝衔接。
另一方面，对于有错付模式或 ACH 退回记录的客户，可以向他们发送沟通，并提供有关如何对账/处理的选项。比如，他们是否希望将他们错付的金额拆分为多笔支付，并加入到未来账单中？ 他们是否会觉得把付款日期调整到与发薪日一致是有帮助的？或者每周支付的方式是否比每月一笔支付更合适？客户随后可以点击链接来独立执行他们的决定，而不必依赖与客服代表通电话。此类自动化、由数据驱动的决策方式，能够让客户以最便捷且最适合的方式进入支付体验，同时把服务代表的时间留给那些需要特别关注的案例。
与此同时，这些客户的决策数据以及他们未来的支付模式，会被用于训练 ML 模型，从而为未来的客户提供最可能在未来带来独立且按时支付的选项。
三种让数据民主化改善企业及客户账单支付的方式
向 yottabyte（优他字节）问好，它代表 1024 字节，等同于从 Earth（地球）到 Mars（火星）堆叠起来所能容纳的数据量。到 2030 年代，预计世界每年将生成 1 yottabyte 的数据。
然而，如果无法高效地访问、分析并加以利用来指导当前与未来的决策，这片巨大的数据海洋又有什么用呢？这个问题促发了围绕“数据民主化”的不断升温的讨论——即让数据对组织的所有部分都更加可获得。当实现数据民主化时，它就可以被用来理解业务健康状况、预测结果，并制定降低运营开支、从而带来更高利润的策略。“民主化”的一部分不仅是获取数据，还要让不同技术背景的人都能够使用这些数据来为商业决策提供依据。
金融科技公司及其客户（例如账单服务商）尤其有机会参与数据民主化运动，因为目前可用的支付数据量巨大——前提是这些数据能够被让账单组织中的所有相关方访问到。在本文中，我们将讨论主要的数据民主化障碍——数据孤岛和 IT 守门人——以及如何获得对这些数据的访问权限，从而为账单服务商及其客户的支付带来变革。
数据孤岛与 IT 守门人
过去 50 年里，数据主要由 IT 技术人员和分析师掌控，他们具备专业知识与培训。尤其是支付数据，通常被锁在支付平台中；从那里，提供方的工程团队会为客户每季度编制标准报告，并在收到请求时创建定制报告。
支付数据不应该被少数人掌握。支付平台中存在数十亿个数据点。这些支付数据本质上是客户每个月与其放贷机构进行沟通的方式。当账单服务商能够以新的、创新的方式访问并应用这些数据时，它就能帮助组织内的每个人作出更有依据的决策，并推动运营改进。
数据民主化能够开启一座可操作洞察的宝库，并以新的、创新的方式加以应用。以下是账单服务商可以用来提升运营效率、赋能决策的三种方式：
手头有支付数据和统计信息是一回事，但这往往带来的疑问会比答案更多。那些数字是好还是坏？你应该采取行动吗？如果要采取行动，应该从哪里开始？
当你的支付提供方使你能够将支付与客户数据与汇总的行业数据进行衡量与基准对标时，你就可以在不同市场与地点上追踪支付与消费者趋势如何逐步展开，并预测对你业务的影响。
基准数据能够揭示离群点——即那些你明显高于或低于平均水平的领域——并帮助你把握行业正在朝哪里发展。
例如，你可以查看被拒付交易的比例和拒付（chargebacks）情况，然后确定可以采取哪些措施，让你的数字与行业平均水平持平，甚至高于行业平均。你也可以研究汇总后的互动沟通内容，并追问：“短信的典型点击率是多少，而邮件又是多少？当我们的业务与行业整体相比，这些点击又需要多久才会转化为支付？”你可能会发现有些地方可以调整业务规则或参数，引入新的支付类型，或将互动话术的发送时间调整到另一日或一天中的另一个时段，以带来更多按时支付的结果。
基准数据还能帮助你识别新兴的支付趋势，从而让你能够快速适应，以应对问题或满足新的需求。你可能会注意到某种特定的支付类型正在某个群体中获得关注，而自动支付的滞后在特定人群中表现明显。当你能够在足够细粒度的层面看到你的数据，并将其与行业平均值进行对照时，你就能够迅速响应与调整，设定切实可行的关键绩效指标（KPIs），并将精力投入到推动真正运营效率提升的流程改进中。
将数据分析局限于内部来源，甚至仅限于全行业层面的来源，可能会导致对局势理解出现缺口。这就是为什么许多公司会在分析中引入外部数据；他们希望通过更广的视角来理解，“外部世界”正在发生的事情如何影响今天以及未来的支付行为。
随着更多支付平台提供方深入推进数据民主化，可能会带来将支付数据流式传输到账单服务商生态系统中的机会。当将其与其他数据点（例如信用评分、消费者物价指数或人口普查信息）结合时，它可以帮助你的支付提供方判断某个个人或人群群体的风险画像，从而更好地预测支付模式、定向互动沟通，并自动化那些已知能够促成按时支付的业务规则。
来自政府来源的经济数据可以揭示那些区域：例如失业率上升或 GDP 下滑，可能会影响大量客户的经济承受能力。甚至天气预报数据也可能有用。比如，飓风伊恩（Hurricane Ian）对整个佛罗里达州州级经济造成了巨大破坏：企业关门、居民逃离，消费者将资金投入到为应对风暴与从风暴中恢复而做准备之中，结果导致他们可用于偿付账单的能力大幅下降。
当你拥有随时可用的数据来做基于事实的预测时，你就可以在曲线前面一步，提前为可能出现的支付影响做好准备。你也可以与支付提供方合作，在错付导致更大的、更昂贵的问题产生之前，主动对付款方进行外联自动化。你可能可以提供诸如拆分支付、调整到期日以与发薪日对齐，或发送更频繁的支付提醒等解决方案。
支付行业会产生海量数据，这些数据若能被用来标记潜在问题将非常有价值——但前提是账单服务商必须具备实时分析这些数据、预测结果并自动化响应的方式。你的支付提供方应当能够利用人工智能（AI）和机器学习（ML）来实现这些目标，从而以具成本效益且可靠的方式检测并预测欺诈活动、逾期付款、ACH 退回等问题，并通过自动化业务规则主动发起修正。
ML 与 AI 处于同一个生态系统中并相互关联——AI 系统的构建会使用 ML，以及其他技术。通过 ML，机器能够从数据集学习，而不需要被逐一编程。它们可以对数据进行分类、识别模式，并创建预测模型。AI 程序会利用这些能力来完成复杂任务，模拟人类的能力与行动。聊天机器人、诸如 Amazon Alexa 的智能助手，以及自动驾驶汽车，都是 AI 的应用。
在支付领域，一个旨在实现 AI 的 ML 模型示例是：识别某一特定客户群存在较高拒付（chargebacks）的模式，并在客户于六个月内发起第三次拒付后，自动应用业务规则将卡从可选支付方式中移除。ML 使这种响应变得即时、具体且自动化，从而无需任何手动输入或决策。
AI 也能帮助改善客户体验并降低运营开支。例如，一个 ML 模型可以支撑这样的 AI 应用：识别并引导具有可靠支付历史的客户，使用 IVR、聊天机器人或短信能力，结合个性化支付链接，选择自助支付选项。它还可以向这些客户发送专门的互动消息，以鼓励其注册自动支付，并包含个性化链接，使整个流程变得轻松且无缝衔接。
另一方面，对于有错付模式或 ACH 退回记录的客户，可以向他们发送沟通，并提供有关如何对账/处理的选项。比如，他们是否希望将他们错付的金额拆分为多笔支付，并加入到未来账单中？ 他们是否会觉得把付款日期调整到与发薪日一致是有帮助的？或者每周支付的方式是否比每月一笔支付更合适？客户随后可以点击链接来独立执行他们的决定，而不必依赖与客服代表通电话。此类自动化、由数据驱动的决策方式，能够让客户以最便捷且最适合的方式进入支付体验，同时把服务代表的时间留给那些需要特别关注的案例。
与此同时，这些客户的决策数据以及他们未来的支付模式，会被用于训练 ML 模型，从而为未来的客户提供最可能在未来带来独立且按时支付的选项。
如何在你的组织中实现数据民主化
数据民主化不会自然而然地发生，也不会独立发生。它首先需要你的支付提供方作出承诺：移除阻碍数据能够被完整、迅速地送到相关方手中的数据孤岛与守门人。如果你当前的支付提供方没有把这当作优先事项，那么可能是时候考虑寻找其他选择。
你的支付提供方首先应当建设一个数据仓库，在其中汇总并规范化所有支付数据。然后，它应该以对你最有帮助的格式交付这些数据。这可能意味着为你的员工提供可下载的原始数据以便其在内部下载与分析；也可能意味着由它替你完成分析；或者将你的数据与行业数据进行汇总可视化；亦或是提供来自外部来源的带语境的数据。
当这些要素就位后，接下来就轮到你去做：让你的组织中所有相关方都能观察到这些数据——即使是那些不太技术化的人——从而他们能够基于事实而非凭感觉采取行动，并追求以事实为依据的目标。
数据民主化运动已经为账单服务商在整个组织内的决策中添加证据与语境奠定了基础。善用这些机会的人将在优化策略方面占据优势：提升自助服务能力，并打造无摩擦且令人满意的客户体验。
关于作者
Steve Kramer 是 PayNearMe 的产品副总裁（Vice President Product），在此负责产品开发团队。凭借超过 25 年的支付与产品经验，Steve 确保 PayNearMe 的解决方案通过降低消费者摩擦来引领市场，并提供最广泛的支付选项与渠道；同时始终聚焦安全性与可靠性，确保客户每一笔付款都能在每一次都完成收取。