Jak prediktivní AI a lidská odbornost mění správu poplatků obchodníků

Platební odvětví se za poslední dvě desetiletí proměnilo ve složitou, vysoce technickou síť vzájemně propojených součástí a dynamických souborů pravidel. Struktura poplatků obchodníků už nepředstavuje předvídatelné náklady na podnikání, ale proměnlivou veličinu, která může nenápadně ukrajovat z hospodářského výsledku podniku.

Moderní správa poplatků vyžaduje orientaci v měnících se mezibankovních poplatcích, vyvíjejících se standardech pro dodržování předpisů a víceúrovňových cenových modelech. Při zvažování nových platebních metod je zřejmé, že doba reaktivního přístupu ke správě služeb pro obchodníky je dávno pryč. Podniky ve všech odvětvích dnes pravidelně čelí nečekaným vlnám poplatků za zpracování plateb, které jen obtížně dokážou předvídat, rozklíčovat nebo kontrolovat.

Přísliby a slepá místa AI v platbách obchodníků

Rychlý rozvoj finančních technologií na první pohled slibuje úlevu. Nástroje AI a automatizovaná řešení pro audit nyní obchodníkům umožňují lépe kontrolovat svá platební data. Podle Gartner bude do konce letošního roku alespoň jedno technologické řešení využívající AI nasazeno v 90 % finančních oddělení.

Díky prediktivním algoritmům už obchodníci nemusejí spoléhat výhradně na tradiční forenzní účetnictví, tedy historický postup, při němž se zkoumá, kde došlo k finančním únikům, až poté, co peníze opustily účet. Architektury modelů AI dokážou místo toho analyzovat obrovské objemy dat o zpracování plateb a předem odhalit možné prudké nárůsty nákladů, než vážně zasáhnou ziskové marže.

Spoléhání výhradně na přístup založený na AI však odhalí několik zásadních slepých míst. AI sice umí dobře zpracovávat složité a hutné texty, výpisy zpracovatelů plateb však bývají pověstné tím, že nejsou standardizované. Každý zpracovatel poplatky kóduje, označuje a účtuje jinak. Model strojového učení může popsat položku běžným jazykem nebo vypočítat nezatíženou efektivní sazbu. Bez znalosti skutečných tržních podmínek však obchodníkovi nedokáže říct, zda je daná sazba skutečně férová nebo konkurenceschopná.

Spoléhání na samostatné nástroje AI také často vytváří falešný pocit jistoty nebo zaneprázdněným vedoucím pracovníkům jednoduše přidává další úkoly. AI sice dokáže na řídicím panelu snadno označit neobvyklý poplatek, jeho identifikace je však jen malou částí celého problému. Zjistit, zda lze o poplatku vyjednávat, vypořádat se s odporem zpracovatele a zajistit, aby sjednané snížení poplatků platilo i nadále, vyžaduje hlubokou odbornou znalost dané oblasti a aktivní zásah člověka – schopnosti, které AI jednoduše nabídnout nedokáže.

Jak se vyznat ve složitosti moderních plateb

Obchodníci jsou dnes nuceni zvládat poplatky karetních asociací, cenové modely interchange-plus i dodatečné poplatky účtované zpracovateli, což vytváří nepřehledný ekosystém. Tato krize v celém odvětví v hodnotě 198,25 miliardy dolarů je obrovská a řadí se mezi největší provozní náklady podniků. Základním problémem není samotný objem poplatků, ale především zásadní nedostatek přehledu a srovnání s aktuálními tržními údaji.

Odhalení této skryté vrstvy nákladů vyžaduje procházení tisíců proměnlivých položek, což je úkol, na němž ruční audity rychle ztroskotají. Pokud finanční ředitel nebo účetní tým nedokáže přesně modelovat náklady na zpracování plateb, podnik jen obtížně správně stanoví ceny produktů nebo určí spolehlivé marže.

Například u standardní smlouvy interchange-plus se obchodníci často setkávají s tím, že transakce nesplní podmínky pro slíbené sazby. Firemní a věrnostní karty použité v maloobchodních prodejnách mohou být zařazeny do vyšších kategorií věrnostních karet, které s sebou nesou značné příplatky v bazických bodech. Podobně mohou být transakce bez přítomnosti karty, u nichž chybí podrobné ověření adresy nebo údaje o včasném vypořádání, bez upozornění přeřazeny do dražších kategorií. Situaci navíc zhoršuje to, že zpracovatelé pravidelně oznamují změny dynamických cen ukryté v drobném písmu měsíčních výpisů ve formátu PDF, které při běžné kontrole snadno uniknou pozornosti.

Ruční sledování v tabulkách tyto systémové úniky obvykle odhalí až po několika měsících. Vytváření lepších tabulek už nestačí. AI sice dokáže automatizovat náročnou práci spojenou s průběžným monitorováním, obchodníci však musejí spojit AI se specializovanou lidskou odborností a znalostí skutečných tržních podmínek, aby se analytické poznatky proměnily ve skutečné snížení sazeb.

Tvorba prediktivních modelů pro dynamické oceňování

Dosažení těchto snížení začíná přeměnou surové historie transakcí na podklady pro výhled do budoucna. Trénováním modelů prediktivní analytiky na historických datech o zpracování plateb obchodníků mohou organizace přejít od zpětného vykazování k řízení nákladů zaměřenému na budoucnost. Pokročilé modely dokážou analyzovat historické toky transakcí, odhalit drobné změny v tabulkách mezibankovních poplatků karetních asociací a označit přirážky zpracovatelů dříve, než se nahromadí v obrovské roční náklady.

Vytvoření účinného analytického systému pro platby je však technicky náročné. Modely strojového učení jsou účinné jen natolik, nakolik jsou kvalitní a rozsáhlá data, z nichž vycházejí. Robustní platební modely potřebují kromě základních údajů o objemu také podrobné vstupy, například konkrétní kódy kategorií obchodníků, geografickou polohu a faktory související se směrováním přes hranice, poměr transakcí s přítomností karty a bez její přítomnosti a podrobné prahové hodnoty pro zařazování transakcí do kategorií podle pravidel hlavních karetních sítí, jako jsou Visa a Mastercard.

Pokud jsou tyto prediktivní systémy správně natrénovány na rozsáhlých souborech dat, dokážou plánovat složité scénáře. Finanční ředitelé mohou simulovat, jak by čisté marže reagovaly na zvýšení mezibankovních poplatků karetních sítí o konkrétní hodnotu nebo jak by sezónní posun od debetních ke kreditním kartám během vrcholné sváteční nákupní sezóny ovlivnil čisté výnosy.

Klíčové spojení: přesnost AI a lidská odbornost

Prediktivní technologie sice poskytuje bezkonkurenčně jasný přehled o datech, skutečná hodnota při správě poplatků však spočívá ve spojení přesnosti AI s odborným zastáním člověka. Prediktivní model dokáže vypočítat náklady a upozornit na náhlé zvýšení poplatků, nemůže však vyjednávat se zpracovatelem plateb. Nemá zavedené profesní vztahy, nedokáže reagovat na odpor zpracovatele, když tvrdí, že určitý poplatek je nepřekročitelným poplatkem karetní sítě, a nedokáže posoudit širší provozní zázemí podniku, například integrace softwaru, procesy plateb kartou uloženou u obchodníka nebo konfigurace terminálů.

Jak uvedla agentura Reuters, informační asymetrie mezi zpracovateli plateb a obchodníky historicky stavěla majitele firem při vyjednávání do nevýhodné pozice. Moderní správa plateb tyto podmínky vyrovnává pomocí vzájemně se doplňujícího dvousložkového přístupu. Prediktivní AI zvládne náročnou průběžnou analýzu dat: prohledává tisíce jednotlivých položek a odhaluje anomálie i přeúčtované částky, které by lidskému oku unikly.

Zkušení odborníci pak mohou tato data zasadit do kontextu. Porovnávají čisté efektivní sazby obchodníka se skutečnými tržními referenčními hodnotami pro konkrétní odvětví, aby určili, kolik by firma měla ve skutečnosti platit. Odborníci by také měli vést přímá jednání se současnými zpracovateli plateb, čímž odpadá komplikovaný přechod k jinému poskytovateli, a provádět pravidelné měsíční audity, které zajistí, že sjednané sazby budou dlouhodobě platit a nebudou se skrytě postupně zvyšovat.

AI je neocenitelná při zpracování velkých objemů dat ve velkém měřítku, ale při sjednávání podmínek, správě finančních partnerství a zajišťování dlouhodobé obnovy marží zůstává lidská odbornost nenahraditelná.

Budoucnost chytřejších plateb pro obchodníky

Vývoj služeb pro obchodníky nebude určovat rychlejší vypořádání transakcí, ale chytřejší a transparentnější práce s transakčními daty. S tím, jak bude prediktivní modelování dozrávat souběžně s rámci strojového učení, získají obchodníci stále sofistikovanější nástroje k odhalování skrytých nákladů.

Samotná AI není úplným řešením. Obchodníci, kteří úspěšně ochrání své dlouhodobé marže, budou ti, kdo spojí přehled o datech založený na AI s cílenou podporou odborníků. Když se obchodníci odkloní od čistě automatizovaných nástrojů na jedné straně i od ručně vedených tabulek na straně druhé, mohou konečně proměnit poplatky za platby z nevyhnutelné černé skříňky ve strategickou, plně optimalizovanou finanční výhodu.