三种让数据民主化改善企业及客户账单支付的方式

向 yottabyte 打个招呼：它代表 1024 字节，或者是将光盘从地球堆到火星所能容纳的数据量。到 2030 年代，预计全球每年将产生 1 yottabyte 的数据。

不过，如果不能高效地访问、分析并加以利用来指导当下与未来的决策，这片浩瀚的数据海又有什么用呢？这个问题促成了一场不断升温的讨论：数据“民主化”（让数据对组织的各个部分更加可及），或让数据更容易被所有人获得。当数据实现民主化时，它就可以被用来了解业务健康状况、预测结果，并制定降低运营费用、创造更高利润的策略。“民主化”的一部分不只是让人们能获取数据，还要让具备不同技术背景的人都能够使用这些数据，从而为业务决策提供依据。

金融科技公司及其客户（例如账单服务商 billers）尤其适合参与这一数据民主化浪潮，因为存在海量的支付数据——前提是这些数据能够被账单组织中的所有利益相关者访问并使用。本文将讨论主要的数据民主化障碍——数据孤岛和 IT 门卫——以及如何获得对这些数据的访问权限，从而如何为账单服务商及其客户带来支付方式的变革。

数据孤岛与 IT 门卫

过去 50 年里，数据在很大程度上由 IT 技术人员和分析师掌控：他们拥有专业知识与培训。尤其是支付数据，通常被锁在支付平台中；从中，提供方的工程团队会为客户按季度汇总标准报表，并在客户提出要求时创建定制报表。

支付数据不应该被少数人掌握。支付平台内部存在数十亿个数据点。这个支付数据本质上是客户每个月与其放贷机构沟通的方式。当账单服务商能够用新的、创新的方式访问并应用这些数据时，它就能帮助组织中的每个人做出更有依据的决策，并推动运营改进。

数据民主化能够打开一座充满可付诸行动的洞察宝库，这些洞察可以用新的、创新的方式加以应用。以下是账单服务商可以用来发挥这些洞察、提升运营效率并赋能决策的三种方式：

2.      

### 识别并改进薄弱环节，进而相应制定优先级

把支付数据和统计信息摆在你面前是一回事，但这往往只会带来更多问题，而不是答案。那些数字好吗？坏吗？你应该采取行动吗？如果要行动，该从哪里开始？

当你的支付提供方让你能够衡量并将你的支付与客户数据对标到行业汇总数据时，你就可以在不同市场与地点发展中追踪支付与消费者趋势，并预测对你业务的影响。

对标数据会揭示异常值——即明显高于或低于平均水平的领域——并帮助你理解行业正在朝哪里发展。

例如，你可以考察被拒付的支付比例以及拒付/争议扣款（chargebacks），然后判断可以采取哪些措施让你的数据回到行业平均水平，甚至高于行业平均。你也可以研究汇总后的互动沟通（engagement communications），并问：“针对短信与电子邮件，典型的点击率是多少？这会在多大程度上、以及以多快的速度，为我们的业务带来支付，相比之下对整个行业整体又如何？”你可能会发现一些地方：你可以调整业务规则或参数，引入新的支付类型，或将互动沟通信息调整到另一天或一天中的另一个时间，以推动更多按时完成的支付。

对标数据还能帮助你识别新兴支付趋势，从而让你能够快速调整以应对问题或满足新需求。你可能会发现某种特定支付类型正在某些人群中获得关注，而自动支付（auto-payment）滞后出现在特定人群中。当你能以足够精细的粒度查看数据，并将其与行业平均水平叠加对照时，你就可以迅速做出反应和适配，设定现实可行的关键绩效指标（KPI），并将精力集中在那些能够带来真正运营效率的流程改进上。

3.      

### 预测未来，以实现更好的规划

将数据分析局限于内部来源，甚至仅限于全行业范围来源，可能会造成对整体理解的缺口。这就是为什么许多公司会在分析中纳入外部数据；他们希望通过更广阔的视角来理解“外部世界”正在发生什么，以及它如何影响今天与未来的支付行为。

随着越来越多的支付平台提供方深入推进数据民主化，它可能会为将支付数据流式传输到账单服务商（biller）的生态系统打开机会。当它与其他数据点（例如信用评分、消费者物价指数或人口普查信息）结合时，你的支付提供方可以用来判断个人或特定人群的风险画像，从而更好地预测支付模式、定向互动沟通，并自动化那些已被证明有助于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：例如不断上升的失业率或 GDP 走低，可能会影响一大群客户的财务韧性。甚至天气预报数据也可能有用。比如，飓风 Ian 给整个佛罗里达州的州经济造成了灾难性影响：因为企业关闭、居民外逃、消费者将资金大量投入到为风暴做准备以及从风暴中恢复之上，导致他们支付账单的能力大幅下降。

当你拥有现成可用的数据来进行基于事实的预测时，你就能让企业提前为支付影响做好准备。你还可以与支付提供方合作，在错过支付尚未演变为更大、更昂贵的问题之前，主动自动化对付款方的外联（outreach）。你可能能够提供诸如拆分付款、调整支付到期日以与发薪日（payday）对齐，或发送更频繁的付款提醒等解决方案。

4.      

### 自动化决策以应对欺诈及其他问题

支付行业会产生海量数据，这些数据可用于标记潜在问题——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 返回（ACH returns）等，并通过自动化业务规则主动发起修复。

ML 和 AI 被绑定在同一套生态系统中——AI 系统是使用 ML 构建的，同时还借助其他技术。通过 ML，机器可以从数据集学习，而不必逐条被编程。它们能够对数据进行分类、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、智能助理（如 Amazon Alexa）以及自动驾驶汽车，都是 AI 的应用场景。

在支付领域，为了实现 AI 目标而设计的一个 ML 模型示例是：识别某一特定客户群中高拒付（chargebacks）的模式，并在客户于六个月期间内发起第三次拒付（third chargeback）后，自动应用一条业务规则——将卡片从支付选项中移除。ML 使这种响应变得即时、具体且自动，从而不需要任何手动输入或决策。

AI 还可以帮助改善客户体验并降低运营费用。例如，一个 ML 模型可以作为一种 AI 应用的底层能力，用于识别并引导拥有可靠支付记录的客户选择自助式支付选项，方式包括借助 IVR、聊天机器人或短信功能，并结合个性化的支付链接。它还可以向这些客户发送专门的互动消息，以鼓励他们注册自动支付（auto-pay），其中包括个性化链接，让整个流程变得轻松且无缝。

另一方面，对于有错过付款（missed payments）或 ACH 返回模式的客户，可以向他们发送沟通信息，并提供如何对账（reconcile）的选项。比如，他们是否希望将错过的一笔付款拆分为多笔，并计入未来账单？他们是否会觉得把付款日期调整到与发薪日对齐会更有帮助？或者每周付款是否比每月只付一次更合适？随后，客户可以点击链接来独立执行他们的决定，而不必依赖与坐席进行电话沟通。这种自动化、由数据驱动的决策方式，能够让客户以最及时且最适合他们的方式进入支付体验，同时把服务代表的时间留给那些确实需要特别关注的情况。

与此同时，来自这些客户决策的数据，以及他们未来的支付模式，会被用于训练 ML 模型，以便为未来客户提供最可能在未来促成其独立、按时完成付款的选项。

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，也不会完全独立地实现。首先，它需要你的支付提供方作出承诺：移除那些阻碍数据能够完整且高效地进入利益相关者手中的数据孤岛与门卫机制。如果你当前的支付提供方没有把这件事当作优先事项，那么或许是时候考虑换到其他地方。

你的支付提供方首先应当建设一个数据仓库，用于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向你交付这些数据。这可能意味着：为你的员工提供可下载的原始数据，以便他们在内部下载后进行分析；也可能是由它为你完成分析；或者将你的数据与行业数据进行汇总展示并可视化；甚至提供来自外部来源的情境数据（contextual data）。

当这些要素就位后，接下来就轮到你：让你组织内所有利益相关者都能够观察（observable）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感觉采取行动，并围绕事实去追求目标。

数据民主化运动为账单服务商在整个组织范围内把证据与背景信息融入决策奠定了基础。能够抓住机会的人，将在优化策略上占据优势：提升自助服务能力，并打造无摩擦、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），在该职位上他带领产品开发团队。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，同时始终专注于安全性与可靠性，以确保客户能够每一次、都能完成每一笔支付。