民主化数据可以改善企业及其客户账单支付的三种方式

向一哑节（Yottabyte）打招呼吧，它代表1024字节，或者说堆叠从地球到火星的DVD所能容纳的数据量。预计到2030年代，全球每年将产生一个哑节的数据。

然而，这么庞大的数据海洋有什么用呢，除非它能被快速访问、分析并用来指导当前和未来的决策？这个问题引发了关于“数据民主化”价值的日益增长的讨论，即让组织的各个部分都能更容易地获取数据。当数据实现民主化时，它可以用来了解企业的健康状况、预测结果以及制定减少运营成本和增加利润的策略。所谓“民主化”不仅仅是获得数据的权限，更是让不同技术背景的人都能利用这些数据来支持业务决策。

金融科技公司及其客户，如账单公司，尤其适合参与数据民主化运动，因为支付数据量巨大——如果这些数据能被所有利益相关者访问。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——以及如何通过获取这些数据改变账单支付，为账单公司及其客户带来变革。

孤岛与IT守门人

在过去的50年里，数据主要由具有专业知识和培训的IT技术人员和分析师控制。尤其是支付数据，通常被锁定在支付平台中，由提供商的工程团队为客户编制季度标准报告，并应要求制作定制报告。

支付数据不应被少数人掌控。支付平台中存有数十亿个数据点。这些支付数据本质上是客户每月与其借贷机构沟通的方式。当账单公司能够访问并以新颖创新的方式应用这些数据时，就能帮助组织中的每个人做出更明智的决策，推动运营改进。

数据民主化开启了丰富的可操作洞察宝库，可以以新的创新方式应用。以下是账单公司可以利用这些洞察提升运营效率和赋能决策的三种方式：

1. 识别并改善薄弱环节，调整优先级

拥有支付数据和统计信息固然重要，但这往往会引发更多问题而非答案。这些数字是好是坏？是否应采取行动？如果要行动，应该从哪里开始？

当你的支付服务提供商能让你衡量并基准你的支付和客户数据与行业整体数据进行比较时，你可以追踪不同市场和地区的支付和消费者趋势，预测其对业务的影响。

基准数据能揭示异常——明显高于或低于平均水平的区域——帮助你了解行业的动态。例如，你可以检查拒付率和拒付争议的比例，然后找出可以采取措施使你的数字达到或超过行业平均水平的途径。你还可以分析整合的互动沟通数据，问：“短信的点击率与电子邮件相比，通常是多少？这会多快促成支付？与整个行业相比，我们的表现如何？”你可能会发现需要调整业务规则或参数、引入新支付类型，或将互动信息调整到不同的日期或时间，以促使更多准时支付。

基准数据还能帮助你识别新兴的支付趋势，从而快速应对问题或满足新需求。你可能会注意到某种支付方式逐渐流行，或自动支付在某一特定人群中滞后。当你能以细粒度视角观察数据，并与行业平均值进行对比时，就能做出反应和调整，设定切实可行的关键绩效指标（KPI），并专注于推动实际运营效率的流程改进。

2. 预测未来，优化规划

仅依赖内部数据分析，甚至行业范围内的数据，可能会留下理解上的空白。这也是许多公司开始引入外部数据进行分析的原因；他们希望用更宽广的视角理解“外部世界”的变化如何影响当今和未来的支付行为。

随着越来越多的支付平台提供商深入数据民主化，可能会出现将支付数据流传到账单生态系统的机会。结合信用评分、消费者价格指数或人口普查信息等其他数据点，可以帮助你的支付提供商评估个人或群体的风险档案，从而更好地预测支付模式、定向沟通和自动化业务规则，鼓励准时支付。

政府的经济数据可以揭示失业率上升或GDP下降可能对大量客户财务状况的影响。甚至天气预报数据也很有用。例如，飓风伊恩对整个佛罗里达州经济造成了巨大影响，企业关闭、居民逃离，消费者大量投入准备和应对风暴，导致他们的支付能力大大降低。

当你拥有可以基于事实做出预测的数据时，就能提前为支付影响做好准备。你还可以与支付提供商合作，自动提前联系付款人，避免逾期支付演变成更大、更昂贵的问题。比如，提供分期付款、调整还款日期以配合发薪日，或发送更频繁的支付提醒。

3. 自动化决策，应对欺诈和其他问题

支付行业产生了大量数据，这些数据可以用来识别潜在问题——但前提是账单公司有办法实时分析这些数据、预测结果并自动响应。你的支付提供商应能利用人工智能（AI）和机器学习（ML）实现这些目标，从而以低成本、高可靠性检测和预测欺诈行为、逾期支付、ACH退回等问题，并通过自动化业务规则主动修正。

ML和AI在同一生态系统中紧密结合——AI系统是基于ML和其他技术构建的。ML让机器从数据集中学习，而无需预先编程。它们可以分类数据、识别模式并建立预测模型。AI程序利用这些能力执行复杂任务，模仿人类的能力和行为。聊天机器人、智能助手（如亚马逊Alexa）和自动驾驶汽车都是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客户群的高拒付率模式，并自动应用业务规则，一旦客户在六个月内发生第三次拒付，就自动将其卡片从支付选项中移除。ML使这一反应变得即时、具体且自动，无需人工干预。

AI还能改善客户体验、降低运营成本。例如，ML模型可以识别并引导信用记录可靠的客户使用自助支付选项（如IVR、聊天机器人或短信），并结合个性化支付链接，鼓励自动支付注册。还可以向这些客户推送特别的互动信息，促使他们加入自动支付，包括个性化链接，简化流程。

对于有逾期或ACH退回记录的客户，可以通过自动化沟通提供解决方案，比如：将逾期款项拆分成多次支付，加入未来账单；调整还款日期以配合发薪日；或每周支付而非每月支付。客户可以点击链接自主决定，无需与客服通话。这种自动化、数据驱动的决策方式，让客户体验最便捷、最适合他们的支付方式，同时节省客服人员的宝贵时间。

同时，这些客户的决策数据和未来支付模式会用来训练ML模型，帮助未来的客户实现自主、准时的支付。

如何在组织内实现数据民主化

数据民主化不是自发或独立发生的。首先需要你的支付服务提供商承诺打破孤岛和守门人，确保数据能快速、完整地传递到所有利益相关者手中。如果你当前的支付提供商没有将此作为优先事项，也许是时候考虑更换了。

你的支付提供商应首先建立一个数据仓库，汇总并标准化所有支付数据。然后，根据你的需求以最有用的格式提供数据。这可能意味着提供原始数据供你的团队下载分析，或为你完成分析，或将你的数据与行业数据进行可视化，甚至提供来自外部的上下文数据。

一旦这些环节到位，接下来就由你来确保所有利益相关者——甚至是技术水平较低的人员——都能看到这些数据，从而基于事实采取行动，实现目标。

数据民主化运动为账单公司在整个组织中增加证据和背景信息提供了平台。那些善用此机会的公司，将在优化自助服务、打造无摩擦、令人满意的客户体验方面占据优势。

关于作者

史蒂夫·克雷默（Steve Kramer）是PayNearMe的产品副总裁，领导产品开发团队。拥有超过25年的支付和产品经验，史蒂夫确保PayNearMe的解决方案在市场上处于领先地位，减少消费者摩擦，提供最丰富的支付渠道和方式，同时专注于安全性和可靠性，确保客户每次都能收取到每一笔款项。