三种让数据民主化的方法可以改善企业及其客户的账单支付

向 yottabyte（尧字节）问好。它代表 1024 字节，或是把光盘从地球一直堆到火星所能容纳的数据量。预计到 2030 年代，全球每年将产生 1 尧字节的数据。

不过，除非这片浩瀚的数据海洋能够被迅捷地访问、分析并用来指导当前与未来的决策，否则它又有什么用呢？这个问题推动了围绕“数据民主化”价值的持续讨论——即让数据对组织的各个部分都更容易获取。当数据实现民主化后，它就可以被用来了解业务健康状况、预测结果，并制定策略以降低运营开支、创造更高利润。“民主化”的一部分不仅是获得数据的访问权限，还要让不同技术背景的人也能够利用这些数据，从而为业务决策提供依据。

由于可获得的支付数据量巨大（前提是这些数据能让账单组织中的所有利益相关者都能访问），金融科技公司及其客户（例如账单公司）尤其适合参与这场数据民主化行动。在本文中，我们将讨论主要的数据民主化障碍——数据孤岛与 IT 守门人——以及通过获得对这些数据的访问，如何为账单公司及其客户带来支付方面的变革。

孤岛与 IT 守门人

在过去 50 年里，数据大多由 IT 技术人员和分析师掌控，因为他们具备专业知识与培训。特别是支付数据，通常被锁定在支付平台中：平台提供商的工程团队会为客户按季度编制标准报告，并在客户提出请求时制作定制报告。

支付数据不应被少数人掌控。支付平台中存在数以十亿计的数据点。这些支付数据本质上就是客户每个月与其放贷机构沟通的方式。当账单公司能够以新的、创新的方式访问并应用这些数据时，就能用来帮助组织内每个人做出更明智的决策，并推动运营改进。

数据民主化会打开一座充满可操作洞察的宝库，这些洞察可以用新的、创新的方式加以应用。以下是账单公司可以用来提升运营效率、赋能决策的三种方式：：

2.      

### 识别并改进薄弱环节，并据此合理调整优先级

手头有支付数据和统计信息是一回事，但这通常会带来更多问题，而不是答案。那些数字是好是坏？你应该采取行动吗？如果要行动，那么从哪里开始？

当你的支付提供商让你能够衡量并将你的支付与客户数据与行业汇总数据进行基准对照时，你就能在不同市场和地点的变化中追踪支付与消费者趋势，并预测这将对你的业务产生的影响。

基准数据能够揭示离群值——即明显高于或低于平均水平的领域——并帮助你建立对行业正在朝哪里发展的感知。

例如，你可以查看被拒付的支付率和拒付/争议相关数据，然后判断可以采取哪些措施来使你的数值与行业平均水平一致，甚至高于行业平均水平。你也可以研究汇总后的互动沟通情况，提问：“与电子邮件相比，短信的典型点击率是多少？这种差异会在多大程度上、多久之后在我们的业务中转化为一次支付——而与整个行业相比又如何？”你可能会发现一些环节：可以调整业务规则或参数，引入新的支付类型，或将互动信息的推送移到另一个日期或一天中的另一个时间，以推动更多准时支付。

基准数据还能帮助你识别新兴的支付趋势，这样你就能快速适应，以解决问题或满足新的需求。你可能会注意到某种特定支付类型正在获得关注/拉动，或者在某一特定人群中自动支付存在滞后。当你能够以细粒度的层级看到数据，并把它与行业平均值进行堆叠对比时，你就可以快速做出响应并调整策略，设定切实可行的 KPI，并把重点放在能带来真正运营效率的流程改进上。

3.      

### 预测将要发生的事情，以实现更好的规划

将数据分析仅局限于内部来源，甚至仅局限于全行业范围的数据，可能会造成理解上的空缺。这也是为什么许多公司会在分析中纳入外部数据：他们希望用更广阔的视角来理解，“外部世界”正在发生的事情如何会影响当下以及未来的支付行为。

随着越来越多的支付平台提供商深入推进数据民主化，它可能为把支付数据流式传输到账单方的生态系统打开机会。将其与其他数据点结合（例如信用评分、消费者价格指数或人口普查信息）时，它可以帮助你的支付提供商评估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、定向触达互动沟通，并自动化那些据以鼓励准时支付的业务规则。

来自政府来源的经济数据可以揭示哪些区域可能受到影响——比如失业率上升或 GDP 下滑会如何冲击一大群客户的财务韧性。甚至天气预报数据也可能有用。举例来说，飓风伊恩（Hurricane Ian）给整个佛罗里达州的州级经济造成了破坏：企业停业、居民逃离、消费者涌入资金用于准备与从风暴中恢复，导致他们可用于支付账单的能力大幅减少。

当你拥有随时可用的数据来做基于事实的预测时，你就能让企业在支付影响来临前就做好准备。你也可以与支付提供商合作，主动在付款逾期前自动开展外联沟通，避免错付逐渐演变成更大、更昂贵的问题。你可能能够提供类似“拆分付款”的方案、将付款到期日调整到与发薪日相一致，或者更频繁地发送付款提醒。

4.      

### 自动化决策，以应对欺诈和其他问题

支付行业会产生海量数据，这些数据对于识别潜在问题非常有用——但前提是账单公司必须能够实时分析这些数据、预测结果并自动化响应。你的支付提供商应该能够利用人工智能 (AI) 和机器学习 (ML) 来达成这些目标，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复。

ML 和 AI 处在同一个生态系统中、彼此关联——AI 系统是基于 ML 构建的，同时也结合其他技术。借助 ML，机器是从数据集学习的，而不需要被提前编程。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执行复杂任务，模拟人类的能力与行动。聊天机器人、智能助理（例如 Amazon Alexa）以及自动驾驶汽车，都是 AI 的应用场景。

在支付领域，一个旨在实现 AI 目标的 ML 模型示例是：识别某一群客户的高拒付率模式，并在客户于 6 个月期间发起第三次拒付之后，自动应用业务规则将其卡片从付款选项中移除。借助 ML，这种响应会变得即时、具体且自动化，从而无需任何人工输入或决策。

AI 也能帮助改善客户体验并降低运营成本。例如，一个 ML 模型可以作为 AI 应用背后的支持，用于识别并引导具有可靠付款记录的客户，使用通过 IVR、聊天机器人或短信能力结合个性化支付链接的自助支付选项。它还可以向这些客户发送专属的互动信息，鼓励其注册自动支付，其中包含个性化链接，以让这个流程更容易、更顺畅。

另一方面，出现错付模式或 ACH 退回的客户，可以收到包含“如何对账/如何处理方案”的沟通信息。比如：他们是否希望把错付款项拆分为多次付款，并并入未来账单？是否会觉得将付款日期调整到与发薪日一致会更有帮助？或者每周付款是否比每月一次付款更可取？随后，客户可以点击链接自行完成决定，而不是依赖与坐席/客服代理进行电话沟通。这类由数据驱动、并自动化的决策方式，能够让客户以最便捷、最恰当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，客户这些决策所形成的数据，以及他们未来的付款模式，会被用于训练 ML 模型，从而为未来的客户提供更可能在未来带来独立、准时付款的选项。

如何在组织中实现数据民主化

数据民主化不会自然而然地发生，也不会在彼此独立的情况下自行完成。首先，它需要由你的支付提供商做出承诺：移除阻碍数据被彻底且迅捷地送达给所有利益相关者的孤岛与守门人。如果你当前的支付提供商并没有把这项工作列为优先事项，那么可能到了该考虑换个方向的时候。

你的支付提供商首先应当在建立数据仓库：将所有支付数据进行汇总并标准化处理。随后，它应以对你最有帮助的格式来交付这些数据。这可能意味着：提供原始数据让你的员工下载并在内部完成分析；为你完成分析；将你的数据与行业数据进行汇总可视化；或提供来自外部来源的上下文数据。

当这些要素就位后，就轮到你让组织内所有利益相关者都能“看得见”这些数据——即使是技术能力较弱的人——从而让他们基于事实而非感觉采取行动，并追求目标。

数据民主化行动为账单公司在整个组织中为决策添加证据与背景铺平了道路。那些能够抓住机会的人，将在优化策略、提升自助服务能力，并打造无摩擦、令人满意的客户体验方面更具优势。

关于作者

Steve Kramer 是 PayNearMe 的产品副总裁，在这里他负责领导产品开发团队。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、提供最广泛的支付选项与渠道来引领市场，同时坚持聚焦安全性与可靠性，确保客户每一次、每一笔支付都能被成功收取。