こんにちは、ヨタバイトの登場です。これは1024バイトを表し、地球から火星まで積み上げたDVDに収まるデータ量です。2030年代までに、世界は年間1ヨタバイトのデータを生成すると予想されています。とはいえ、この広大なデータの海は、迅速にアクセスされ、分析され、現在および将来の意思決定に役立てられなければ、何の役に立つのでしょうか？その質問は、「データの民主化」、つまりデータを組織のすべての部分によりアクセス可能にすることの価値についての会話を促しています。データが民主化されると、ビジネスの健康を理解し、結果を予測し、運用コストを削減し、より大きな利益を生み出す戦略を開発するために使用できます。「民主化」の一部は、データへのアクセスを得るだけでなく、さまざまな技術的背景を持つ人々がそのデータをビジネスの意思決定に役立てることを可能にすることです。フィンテック企業とそのクライアント、例えば請求者は、支払いデータの膨大な量が利用可能であるため、民主化運動への参加に特に適しています。もしそのデータが請求組織のすべての利害関係者にアクセス可能であればの話ですが。本記事では、データの民主化における主な障壁、データサイロとITゲートキーパーについて議論し、このデータにアクセスすることが請求者とその顧客の支払いをどのように変革できるかを述べます。サイロとITゲートキーパー---------------------------過去50年間、データは主にIT技術者や専門知識と教育を受けたアナリストによって管理されてきました。特に支払いデータは、通常、支払いプラットフォームにロックされ、提供者のエンジニアリングチームが四半期ごとにクライアントのために標準レポートを作成し、リクエストに応じてカスタムレポートを作成しています。支払いデータは少数の人の手にロックされてはいけません。支払いプラットフォーム内には数十億のデータポイントが存在します。この支払いデータは、本質的に顧客が毎月貸付機関とコミュニケーションを取る方法です。請求者がそのデータにアクセスし、新しい革新的な方法で適用できると、それは組織内のすべての人がより良い意思決定を行い、運用改善を促進するのに役立ちます。データの民主化は、新しい革新的な方法で適用できる実行可能な洞察の宝庫を開きます。請求者がその洞察を活用して運用効率を向上させ、意思決定を強化できる方法は以下の3つです。 2. ### 弱点を特定し、改善し、優先順位を適切に指示する 支払いデータや統計を目の前に持つことは一つのことですが、それは往々にして答えよりも多くの質問を引き起こします。その数字は良いのか？悪いのか？行動を取るべきか？もしそうなら、どこで？支払いプロバイダーがあなたの支払いと顧客データを業界全体のデータに対して測定し、ベンチマークを取ることを可能にすると、さまざまな市場や場所での支払いおよび消費者トレンドを追跡し、ビジネスへの影響を予測できます。ベンチマークデータは、あなたが平均を大きく上回っているか、下回っているかの異常値を明らかにし、業界の動向を把握するのに役立ちます。例えば、拒否された支払いとチャージバックの率を調べ、業界平均に合わせるために何ができるかを判断できます。また、集計されたエンゲージメントコミュニケーションを研究し、「SMSとメールの典型的なクリックスルー率はどのくらいで、それが業界全体と比較して我々のビジネスの支払いにどれだけ早くつながるか？」と問いかけることができます。ビジネスルールやパラメータを変更したり、新しい支払い方法を導入したり、エンゲージメントメッセージを別の日や時間に移動させることで、より多くの期限通りの支払いを促進できる場所に気づくかもしれません。ベンチマークデータは、急成長する支払いトレンドを特定するのにも役立ち、問題に迅速に対応したり新しい需要に応えたりできます。特定の支払いタイプが注目を集めていることや、自動支払いが特定の人口層で遅れていることに気付くかもしれません。データを業界平均と対比させて詳細なレベルで見ることができると、反応し適応し、現実的なKPIを設定し、真の運用効率を促進するプロセス改善に焦点を合わせることができます。 3. ### 先を予測してより良い計画を可能にする 内部ソースや業界全体のソースに限ったデータ分析は、理解にギャップを生む可能性があります。そのため、多くの企業は外部データを分析に取り入れています。彼らは「外部世界」で何が起きているかが、今日と将来の支払い行動にどのように影響するかを理解するためのより広い視野を求めています。支払いプラットフォームプロバイダーがデータの民主化に深く関わるにつれて、請求者のエコシステムに支払いデータをストリーミングする機会が開かれるかもしれません。クレジットスコア、消費者物価指数、国勢調査情報などの他のデータポイントと組み合わせることで、個人または人口グループのリスクプロファイルを決定するのに役立ち、支払いパターンをより良く予測し、エンゲージメントコミュニケーションをターゲットにし、期限通りの支払いを促進することが知られているビジネスルールを自動化するのに役立ちます。政府のソースからの経済データは、失業の増加やGDPの低下が大規模な顧客グループの財政的強度に影響を与える可能性がある領域を明らかにできます。天気予報データも有用です。例えば、ハリケーン・イアンはフロリダ州全体の経済に大きな影響を与え、ビジネスが閉鎖され、住民が避難し、消費者が嵐の準備と回復にお金を注ぎ込むことで、請求書を支払う能力を大幅に低下させました。データが簡単に利用できると、事実に基づいた予測を行うためにビジネスを先取りして準備できます。また、請求者の支払いプロバイダーと連携して、未払いがより大きく、より高価な問題を引き起こす前に、支払い者への積極的なアプローチを自動化することができます。支払いを分割したり、支払い期日を給料日に合わせたり、より頻繁な支払いリマインダーを送るなどの解決策を提供できるかもしれません。 4. ### 決定を自動化して詐欺やその他の問題に対処する 支払い業界は、潜在的な問題を指摘するのに役立つ膨大なデータを生成していますが、それは請求者がそのデータをリアルタイムで分析し、結果を予測し、応答を自動化する方法を持っている場合に限ります。あなたの支払いプロバイダーは、人工知能（AI）と機械学習（ML）を活用してこれらの目標を達成できるはずであり、コスト効率よく信頼性高く詐欺行為、遅延支払い、ACHリターンなどを検出し予測し、自動化されたビジネスルールを通じてプロアクティブに修正を開始することが可能です。MLとAIは同じエコシステムで結びついています。AIシステムはMLだけでなく、他の技術を使って構築されています。MLを使用すると、機械はプログラムされるのではなく、データセットから学習します。データを分類し、パターンを認識し、予測モデルを作成できます。AIプログラムは、これらの機能を活用して複雑なタスクを遂行し、人間の能力や行動を模倣します。チャットボット、Amazon Alexaのようなスマートアシスタント、自動運転車はすべてAIの応用です。支払いセクターにおけるMLモデルの一例は、高いチャージバックのパターンを特定し、顧客が6か月間に3回目のチャージバックを開始した際に、支払いオプションからカードを自動的に除外するビジネスルールを適用することです。MLにより、この応答は即時、特定、かつ自動的であり、手動の入力や意思決定の必要がなくなります。AIは顧客体験の改善や運用コストの削減にも役立ちます。たとえば、信頼できる支払い履歴を持つ顧客をIVR、チャットボット、またはテキスト機能を使用して自己サービス支払いオプションに誘導し、個別の支払いリンクを提供するAIアプリケーションの背後にMLモデルがある場合があります。また、支払いを自動化するためにサインアップを促す特別なエンゲージメントメッセージを送信し、そのプロセスを簡単でシームレスにするための個別のリンクを含めることもできます。一方で、未払いまたはACHリターンのパターンを持つ顧客には、調整方法に関するオプションを含むコミュニケーションが送信される可能性があります。たとえば、彼らは未払いを複数の支払いに分けて将来の請求書に追加することを希望しますか？それとも、支払い日を給料日に合わせることが役立つと思いますか？それとも、月に1回の支払いよりも毎週の支払いが好ましいですか？顧客は、その決定を独立して実施するためのリンクをクリックでき、エージェントとの電話に頼る必要はありません。このような自動化されたデータ指向の意思決定は、顧客が最も迅速かつ適切な支払い体験に導き、サービス担当者の時間を特別な注意が必要なケースに留保します。その間に、顧客の決定に関するデータと将来の支払いパターンは、将来の顧客に対して独立した期限通りの支払いにつながる可能性が最も高い選択肢を提供するためにMLモデルを訓練するために使用されます。組織全体でデータを民主化する方法------------------------------------------------データの民主化は自然に、または独立して起こるものではありません。まず、支払いプロバイダーがデータを完全かつ迅速に利害関係者の手に渡す妨げとなるサイロやゲートキーパーを取り除くことにコミットする必要があります。現在の支払いプロバイダーがこれを優先事項としていない場合、他の選択肢を考える時かもしれません。あなたの支払いプロバイダーは、まずすべての支払いデータを集約し、標準化するデータウェアハウスを開発するべきです。その後、あなたにとって最も役立つ形式でデータを提供する必要があります。これは、スタッフが内部でダウンロードして分析できる生データを提供したり、分析を代行したり、業界データと集計したデータを視覚化したり、外部ソースからの文脈データを提供したりすることを意味します。これらの要素が整ったら、データを組織内のすべての利害関係者、特に技術的なバックグラウンドが薄い人々にも観察可能にすることがあなたの責任です。彼らが事実に基づいて行動し、目標を追求できるようにするためです。データの民主化運動は、請求者が組織全体の意思決定に証拠と文脈を追加する舞台を整えました。それを利用する者は、自己サービスを増加させ、摩擦のない満足のいく顧客体験を創出するための戦略を最適化する上での優位性を持つでしょう。著者について----------------スティーブ・クレイマーは、PayNearMeの製品副社長で、製品開発チームを率いています。25年以上の支払いおよび製品の経験を持つスティーブは、PayNearMeのソリューションが市場をリードし、消費者の摩擦を減らし、最も広範な支払いオプションとチャネルを提供し、クライアントがすべての支払いを確実に回収できるように、セキュリティと信頼性を重視しています。
データの民主化が企業と顧客の請求支払いを改善する3つの方法
こんにちは、ヨタバイトの登場です。これは1024バイトを表し、地球から火星まで積み上げたDVDに収まるデータ量です。2030年代までに、世界は年間1ヨタバイトのデータを生成すると予想されています。
とはいえ、この広大なデータの海は、迅速にアクセスされ、分析され、現在および将来の意思決定に役立てられなければ、何の役に立つのでしょうか？その質問は、「データの民主化」、つまりデータを組織のすべての部分によりアクセス可能にすることの価値についての会話を促しています。データが民主化されると、ビジネスの健康を理解し、結果を予測し、運用コストを削減し、より大きな利益を生み出す戦略を開発するために使用できます。「民主化」の一部は、データへのアクセスを得るだけでなく、さまざまな技術的背景を持つ人々がそのデータをビジネスの意思決定に役立てることを可能にすることです。
フィンテック企業とそのクライアント、例えば請求者は、支払いデータの膨大な量が利用可能であるため、民主化運動への参加に特に適しています。もしそのデータが請求組織のすべての利害関係者にアクセス可能であればの話ですが。本記事では、データの民主化における主な障壁、データサイロとITゲートキーパーについて議論し、このデータにアクセスすることが請求者とその顧客の支払いをどのように変革できるかを述べます。
サイロとITゲートキーパー
過去50年間、データは主にIT技術者や専門知識と教育を受けたアナリストによって管理されてきました。特に支払いデータは、通常、支払いプラットフォームにロックされ、提供者のエンジニアリングチームが四半期ごとにクライアントのために標準レポートを作成し、リクエストに応じてカスタムレポートを作成しています。
支払いデータは少数の人の手にロックされてはいけません。支払いプラットフォーム内には数十億のデータポイントが存在します。この支払いデータは、本質的に顧客が毎月貸付機関とコミュニケーションを取る方法です。請求者がそのデータにアクセスし、新しい革新的な方法で適用できると、それは組織内のすべての人がより良い意思決定を行い、運用改善を促進するのに役立ちます。
データの民主化は、新しい革新的な方法で適用できる実行可能な洞察の宝庫を開きます。請求者がその洞察を活用して運用効率を向上させ、意思決定を強化できる方法は以下の3つです。
支払いデータや統計を目の前に持つことは一つのことですが、それは往々にして答えよりも多くの質問を引き起こします。その数字は良いのか？悪いのか？行動を取るべきか？もしそうなら、どこで？
支払いプロバイダーがあなたの支払いと顧客データを業界全体のデータに対して測定し、ベンチマークを取ることを可能にすると、さまざまな市場や場所での支払いおよび消費者トレンドを追跡し、ビジネスへの影響を予測できます。
ベンチマークデータは、あなたが平均を大きく上回っているか、下回っているかの異常値を明らかにし、業界の動向を把握するのに役立ちます。
例えば、拒否された支払いとチャージバックの率を調べ、業界平均に合わせるために何ができるかを判断できます。また、集計されたエンゲージメントコミュニケーションを研究し、「SMSとメールの典型的なクリックスルー率はどのくらいで、それが業界全体と比較して我々のビジネスの支払いにどれだけ早くつながるか？」と問いかけることができます。ビジネスルールやパラメータを変更したり、新しい支払い方法を導入したり、エンゲージメントメッセージを別の日や時間に移動させることで、より多くの期限通りの支払いを促進できる場所に気づくかもしれません。
ベンチマークデータは、急成長する支払いトレンドを特定するのにも役立ち、問題に迅速に対応したり新しい需要に応えたりできます。特定の支払いタイプが注目を集めていることや、自動支払いが特定の人口層で遅れていることに気付くかもしれません。データを業界平均と対比させて詳細なレベルで見ることができると、反応し適応し、現実的なKPIを設定し、真の運用効率を促進するプロセス改善に焦点を合わせることができます。
内部ソースや業界全体のソースに限ったデータ分析は、理解にギャップを生む可能性があります。そのため、多くの企業は外部データを分析に取り入れています。彼らは「外部世界」で何が起きているかが、今日と将来の支払い行動にどのように影響するかを理解するためのより広い視野を求めています。
支払いプラットフォームプロバイダーがデータの民主化に深く関わるにつれて、請求者のエコシステムに支払いデータをストリーミングする機会が開かれるかもしれません。クレジットスコア、消費者物価指数、国勢調査情報などの他のデータポイントと組み合わせることで、個人または人口グループのリスクプロファイルを決定するのに役立ち、支払いパターンをより良く予測し、エンゲージメントコミュニケーションをターゲットにし、期限通りの支払いを促進することが知られているビジネスルールを自動化するのに役立ちます。
政府のソースからの経済データは、失業の増加やGDPの低下が大規模な顧客グループの財政的強度に影響を与える可能性がある領域を明らかにできます。天気予報データも有用です。例えば、ハリケーン・イアンはフロリダ州全体の経済に大きな影響を与え、ビジネスが閉鎖され、住民が避難し、消費者が嵐の準備と回復にお金を注ぎ込むことで、請求書を支払う能力を大幅に低下させました。
データが簡単に利用できると、事実に基づいた予測を行うためにビジネスを先取りして準備できます。また、請求者の支払いプロバイダーと連携して、未払いがより大きく、より高価な問題を引き起こす前に、支払い者への積極的なアプローチを自動化することができます。支払いを分割したり、支払い期日を給料日に合わせたり、より頻繁な支払いリマインダーを送るなどの解決策を提供できるかもしれません。
支払い業界は、潜在的な問題を指摘するのに役立つ膨大なデータを生成していますが、それは請求者がそのデータをリアルタイムで分析し、結果を予測し、応答を自動化する方法を持っている場合に限ります。あなたの支払いプロバイダーは、人工知能（AI）と機械学習（ML）を活用してこれらの目標を達成できるはずであり、コスト効率よく信頼性高く詐欺行為、遅延支払い、ACHリターンなどを検出し予測し、自動化されたビジネスルールを通じてプロアクティブに修正を開始することが可能です。
MLとAIは同じエコシステムで結びついています。AIシステムはMLだけでなく、他の技術を使って構築されています。MLを使用すると、機械はプログラムされるのではなく、データセットから学習します。データを分類し、パターンを認識し、予測モデルを作成できます。AIプログラムは、これらの機能を活用して複雑なタスクを遂行し、人間の能力や行動を模倣します。チャットボット、Amazon Alexaのようなスマートアシスタント、自動運転車はすべてAIの応用です。
支払いセクターにおけるMLモデルの一例は、高いチャージバックのパターンを特定し、顧客が6か月間に3回目のチャージバックを開始した際に、支払いオプションからカードを自動的に除外するビジネスルールを適用することです。MLにより、この応答は即時、特定、かつ自動的であり、手動の入力や意思決定の必要がなくなります。
AIは顧客体験の改善や運用コストの削減にも役立ちます。たとえば、信頼できる支払い履歴を持つ顧客をIVR、チャットボット、またはテキスト機能を使用して自己サービス支払いオプションに誘導し、個別の支払いリンクを提供するAIアプリケーションの背後にMLモデルがある場合があります。また、支払いを自動化するためにサインアップを促す特別なエンゲージメントメッセージを送信し、そのプロセスを簡単でシームレスにするための個別のリンクを含めることもできます。
一方で、未払いまたはACHリターンのパターンを持つ顧客には、調整方法に関するオプションを含むコミュニケーションが送信される可能性があります。たとえば、彼らは未払いを複数の支払いに分けて将来の請求書に追加することを希望しますか？それとも、支払い日を給料日に合わせることが役立つと思いますか？それとも、月に1回の支払いよりも毎週の支払いが好ましいですか？顧客は、その決定を独立して実施するためのリンクをクリックでき、エージェントとの電話に頼る必要はありません。このような自動化されたデータ指向の意思決定は、顧客が最も迅速かつ適切な支払い体験に導き、サービス担当者の時間を特別な注意が必要なケースに留保します。
その間に、顧客の決定に関するデータと将来の支払いパターンは、将来の顧客に対して独立した期限通りの支払いにつながる可能性が最も高い選択肢を提供するためにMLモデルを訓練するために使用されます。
組織全体でデータを民主化する方法
データの民主化は自然に、または独立して起こるものではありません。まず、支払いプロバイダーがデータを完全かつ迅速に利害関係者の手に渡す妨げとなるサイロやゲートキーパーを取り除くことにコミットする必要があります。現在の支払いプロバイダーがこれを優先事項としていない場合、他の選択肢を考える時かもしれません。
あなたの支払いプロバイダーは、まずすべての支払いデータを集約し、標準化するデータウェアハウスを開発するべきです。その後、あなたにとって最も役立つ形式でデータを提供する必要があります。これは、スタッフが内部でダウンロードして分析できる生データを提供したり、分析を代行したり、業界データと集計したデータを視覚化したり、外部ソースからの文脈データを提供したりすることを意味します。
これらの要素が整ったら、データを組織内のすべての利害関係者、特に技術的なバックグラウンドが薄い人々にも観察可能にすることがあなたの責任です。彼らが事実に基づいて行動し、目標を追求できるようにするためです。
データの民主化運動は、請求者が組織全体の意思決定に証拠と文脈を追加する舞台を整えました。それを利用する者は、自己サービスを増加させ、摩擦のない満足のいく顧客体験を創出するための戦略を最適化する上での優位性を持つでしょう。
著者について
スティーブ・クレイマーは、PayNearMeの製品副社長で、製品開発チームを率いています。25年以上の支払いおよび製品の経験を持つスティーブは、PayNearMeのソリューションが市場をリードし、消費者の摩擦を減らし、最も広範な支払いオプションとチャネルを提供し、クライアントがすべての支払いを確実に回収できるように、セキュリティと信頼性を重視しています。