كيف يُحدث الذكاء الاصطناعي التنبؤي والخبرة البشرية ثورةً في إدارة رسوم التجار

على مدى العقدين الماضيين، تطورت صناعة المدفوعات لتصبح شبكة معقدة وعالية التقنية تتألف من عناصر متغيرة ومجموعات قواعد ديناميكية. ولم تعد هياكل رسوم التجار تكلفةً متوقعة لمزاولة الأعمال، بل أصبحت متغيرًا متقلبًا قد يستنزف أرباح المؤسسة بهدوء.

تتطلب الإدارة الحديثة للرسوم التعامل مع تقلب معدلات رسوم التبادل، وتطور معايير الامتثال، ونماذج التسعير متعددة المستويات. وعند النظر في وسائل الدفع الناشئة، يتضح أن زمن النهج التفاعلي في إدارة خدمات التجار قد ولّى منذ زمن. إذ تتعرض الشركات في جميع القطاعات بانتظام لموجات مفاجئة من رسوم معالجة المدفوعات، تجد صعوبة في توقعها أو فهم تفاصيلها أو التحكم فيها.

وعود الذكاء الاصطناعي ومواطن قصوره في مدفوعات التجار

للوهلة الأولى، تبشّر التطورات السريعة في التكنولوجيا المالية بتخفيف الأعباء. وتتيح أدوات الذكاء الاصطناعي وحلول التدقيق الآلي للتجار الآن إحكام السيطرة على بيانات مدفوعاتهم. ووفقًا لـGartner، ستعتمد 90% من الإدارات المالية حلًا تقنيًا واحدًا على الأقل مدعومًا بالذكاء الاصطناعي بحلول نهاية هذا العام.

ومن خلال الاستفادة من الخوارزميات التنبؤية، لم يعد التجار مضطرين إلى الاعتماد حصرًا على المحاسبة الجنائية التقليدية، وهي ممارسة تاريخية للتحقيق في مواضع التسرب المالي بعد خروج الأموال من الحساب. وبدلًا من ذلك، تستطيع بنى نماذج الذكاء الاصطناعي تحليل كميات هائلة من بيانات معالجة المدفوعات، والتعرف استباقيًا على الارتفاعات المحتملة في التكاليف قبل أن تتأثر هوامش الأرباح بشدة.

لكن الاعتماد حصرًا على نهج قائم على الذكاء الاصطناعي يكشف عن عدة ثغرات جوهرية. فعلى الرغم من قدرة الذكاء الاصطناعي على تحليل النصوص المعقدة والكثيفة، تشتهر كشوفات معالجي المدفوعات بافتقارها إلى التوحيد القياسي. ويستخدم كل معالج أساليب مختلفة لترميز الرسوم وتسميتها وتمريرها. وقد يشرح نموذج للتعلم الآلي بندًا في الكشف بلغة واضحة أو يحسب معدلًا فعليًا أوليًا. لكنه لا يستطيع، من دون سياق السوق الفعلي، إخبار التاجر ما إذا كان هذا المعدل منصفًا أو تنافسيًا بالفعل.

كما أن الاعتماد على أدوات ذكاء اصطناعي مستقلة كثيرًا ما يولّد شعورًا زائفًا بالأمان، أو يحمّل قادة الأعمال المنشغلين مزيدًا من العمل. فرغم قدرة الذكاء الاصطناعي على رصد رسوم غير اعتيادية بسهولة في لوحة المعلومات، لا يمثل تحديد الرسوم سوى جزء بسيط من التحدي. أما تحديد ما إذا كان بالإمكان التفاوض بشأنها، والتعامل مع مقاومة المعالج، وضمان استمرار التخفيضات المتفاوض عليها بمرور الوقت، فتتطلب خبرة متخصصة عميقة وتدخلًا بشريًا فعّالًا، وهي قدرات لا يستطيع الذكاء الاصطناعي توفيرها.

التعامل مع تعقيدات المدفوعات الحديثة

يُضطر التجار حاليًا إلى التعامل مع رسوم شبكات البطاقات، ونماذج التسعير القائمة على رسوم التبادل مضافًا إليها هامش، والرسوم الإضافية التي يفرضها المعالجون، ما ينشئ منظومة غامضة. وتشكل هذه الأزمة التي تبلغ قيمتها 198.25 مليار دولار على مستوى الصناعة مشكلة هائلة، وتجعل هذه الرسوم واحدة من أكبر نفقات التشغيل لدى الشركات. ولا تكمن المشكلة الأساسية في كثرة الرسوم بحد ذاتها، بل في المقام الأول في الافتقار الجوهري إلى الوضوح والمعايير المرجعية الآنية.

يتطلب كشف طبقة التكاليف الخفية هذه تمحيص آلاف البنود المتغيرة، وهي مهمة سرعان ما تصطدم فيها عمليات التدقيق اليدوية بحدودها. وإذا لم يتمكن المدير المالي أو فريق المحاسبة من وضع نماذج دقيقة لتكاليف معالجة المدفوعات، فستواجه المؤسسة صعوبة في تسعير المنتجات على نحو صحيح أو تحديد هوامش ربح موثوقة.

فعلى سبيل المثال، كثيرًا ما يقع التجار في إطار اتفاقية اعتيادية قائمة على رسوم التبادل مضافًا إليها هامش، في فخ عدم تأهل المعاملات للمعدلات الموعودة. وقد تُدرج البطاقات التجارية وبطاقات المكافآت المستخدمة في متاجر التجزئة ضمن فئات أعلى للمكافآت، تترتب عليها علاوات كبيرة بالنقاط الأساسية. وبالمثل، قد تُخفّض سرًا فئة تأهل المعاملات التي لا تتطلب حضور البطاقة، إذا افتقرت إلى بيانات مفصلة للتحقق من العنوان أو إلى بيانات التسوية الفورية، إلى فئات أعلى تكلفة. ومما يزيد الأمر سوءًا، أن المعالجين يعلنون بانتظام تعديلات ديناميكية على الأسعار تكون مدسوسة في الأحرف الصغيرة من كشوفات PDF الشهرية، ويسهل إغفالها خلال المراجعات الروتينية.

ونادرًا ما تكشف متابعة البيانات يدويًا في جداول البيانات عن هذه التسريبات المنهجية إلا بعد مرور أشهر. ولم يعد تحسين جداول البيانات كافيًا. فبينما يستطيع الذكاء الاصطناعي أتمتة الجزء الأكبر من أعمال المراقبة المستمرة، يتعين على التجار الجمع بينه وبين خبرة بشرية متخصصة ومعرفة فعلية بالسوق لتحويل تلك التحليلات إلى تخفيضات حقيقية في الأسعار.

بناء نماذج تنبؤية للتسعير الديناميكي

يبدأ تحقيق تلك التخفيضات بتحويل سجلات المعاملات الخام إلى معلومات استشرافية. فمن خلال تدريب نماذج التحليلات التنبؤية على بيانات معالجة مدفوعات التجار التاريخية، تستطيع المؤسسات الانتقال من إعداد التقارير بأثر رجعي إلى إدارة التكاليف استشرافيًا. ويمكن للنماذج المتقدمة تحليل تدفقات المعاملات السابقة، ورصد التغيرات الطفيفة في جداول رسوم التبادل الخاصة بشبكات البطاقات، والكشف عن هوامش المعالجة التي يضيفها المعالجون قبل أن تتراكم وتتحول إلى نفقات سنوية ضخمة.

لكن بناء محرك فعّال لتحليلات المدفوعات يتطلب خبرة تقنية كبيرة. ففاعلية نماذج التعلم الآلي لا تتجاوز عمق البيانات التي تستند إليها وجودتها. وإلى جانب مقاييس حجم المعاملات الأساسية، تتطلب نماذج المدفوعات المتينة مدخلات مفصلة، مثل رموز فئات التجار المحددة، والموقع الجغرافي، وعوامل توجيه المدفوعات عبر الحدود، وأرصدة معاملات البطاقات الحاضرة مقابل غير الحاضرة، والحدود التفصيلية للتأهل لرسوم التبادل كما تحددها شبكات البطاقات الرئيسية مثل Visa وMastercard.

عند تدريب هذه الأنظمة التنبؤية على نحو سليم باستخدام مجموعات بيانات كبيرة، يمكنها تخطيط سيناريوهات معقدة. إذ يستطيع قادة الشؤون المالية محاكاة استجابة هوامش الربح الصافية لزيادة أسعار تبادل المعاملات لدى شبكات البطاقات بمقدار محدد، أو معرفة تأثير التحول الموسمي من استخدام بطاقات الخصم إلى بطاقات الائتمان خلال ذروة مبيعات موسم الأعياد في صافي الإيرادات.

التكامل الحاسم: دقة الذكاء الاصطناعي وخبرة البشر

رغم ما توفره التقنيات التنبؤية من وضوح استثنائي للبيانات، فإن القيمة الحقيقية لإدارة الرسوم تكمن في الجمع بين دقة الذكاء الاصطناعي ومناصرة الخبراء من البشر. يستطيع النموذج التنبؤي احتساب التكاليف ورصد الارتفاعات المفاجئة في الرسوم، لكنه لا يستطيع التفاوض مع معالج الدفع. كما أنه لا يمتلك علاقات مؤسسية، ولا يمكنه التعامل مع اعتراضات المعالج حين يدّعي أن رسماً ما هو رسم شبكة لا يقبل التفاوض، ولا مراجعة الإطار التشغيلي الأوسع للمؤسسة، مثل تكاملات البرامج وإجراءات التعامل مع البطاقات المحفوظة أو إعدادات أجهزة نقاط البيع.

وفقاً لما أوردته Reuters، أدى تفاوت المعلومات بين معالجي المدفوعات والتجار تاريخياً إلى وضع أصحاب الأعمال في موقف تفاوضي أضعف. وتحقق الإدارة الحديثة للمدفوعات تكافؤاً أكبر في هذا المجال من خلال نهج تكاملي مؤلف من جزأين. يستطيع الذكاء الاصطناعي التنبؤي تولّي العبء الأكبر من التحليل المستمر للبيانات، وفحص آلاف البنود لكشف الحالات الشاذة والرسوم الزائدة التي قد لا تلاحظها العين البشرية.

بعد ذلك، يستطيع المدافعون البشريون ذوو الخبرة وضع هذه البيانات في سياقها. ويقارن هؤلاء الخبراء المعدلات الفعلية الصافية التي يدفعها التاجر بمؤشرات مرجعية واقعية خاصة بالقطاع، لتحديد المبالغ التي ينبغي أن تدفعها الشركة فعلياً. وينبغي أيضاً أن يتولى الخبراء البشريون المفاوضات المباشرة مع المعالِجين الحاليين، تفادياً لتعقيدات تغيير مزودي الخدمة، وأن يجروا عمليات تدقيق شهرية مستمرة لضمان استمرار تطبيق المعدلات المتفاوض عليها بمرور الوقت من دون زيادات خفية وتدريجية فيها.

لا غنى عن الذكاء الاصطناعي لمعالجة كميات كبيرة من البيانات على نطاق واسع، لكن الخبرة البشرية تظل عصية على الاستبدال عندما يتعلق الأمر بهيكلة الاتفاقيات، وإدارة الشراكات المالية، وضمان استرداد مستدام لهوامش الربح.

مستقبل مدفوعات التجار الأكثر ذكاءً

لن يتحدد تطور خدمات التجار بسرعة تسوية المدفوعات، بل بذكاء تحليل المعاملات وشفافيته. ومع نضوج النمذجة التنبؤية بالتوازي مع أطر التعلم الآلي، ستتاح للتجار أدوات متطورة على نحو متزايد لكشف التكاليف الخفية.

الذكاء الاصطناعي وحده ليس حلاً متكاملاً. فالتجار الذين ينجحون في حماية هوامش أرباحهم على المدى الطويل هم من يجمعون بين وضوح البيانات المدعوم بالذكاء الاصطناعي ومناصرة بشرية متخصصة. وبالابتعاد عن الاعتماد على الأدوات المؤتمتة بالكامل من جهة، وجداول البيانات اليدوية من جهة أخرى، يستطيع التجار أخيراً تحويل رسوم المدفوعات من عبء غامض لا مفر منه إلى ميزة مالية استراتيجية محسّنة بالكامل.