Sådan revolutionerer prædiktiv AI og menneskelig ekspertise styringen af gebyrer for forretninger

I løbet af de seneste to årtier har betalingsbranchen udviklet sig til et komplekst, højteknisk netværk af bevægelige dele og dynamiske regelsæt. Gebyrstrukturer for forretninger er ikke længere en forudsigelig omkostning ved at drive virksomhed, men en ustabil variabel, der ubemærket kan udhule en virksomheds bundlinje.

Moderne gebyrstyring kræver, at man navigerer i skiftende interchange-satser, standarder for overholdelse af regler, der hele tiden udvikler sig, og prismodeller med flere niveauer. Når man ser på nye betalingsmetoder, står det klart, at tiden, hvor man kunne håndtere betalingstjenester reaktivt, for længst er forbi. Virksomheder i alle brancher rammes nu jævnligt af uventede bølger af behandlingsgebyrer, som de har svært ved at forudsige, gennemskue eller kontrollere.

AI’s muligheder og blinde vinkler inden for betalinger for forretninger

Ved første øjekast lover fintechs hurtige fremskridt en løsning. AI-værktøjer og automatiserede revisionsløsninger gør det nu muligt for forretninger at få bedre kontrol over deres betalingsdata. Ifølge Gartner vil 90 % af økonomifunktionerne inden udgangen af i år anvende mindst én teknologiløsning, der bygger på AI.

Ved at udnytte prædiktive algoritmer er forretninger ikke længere nødt til udelukkende at støtte sig til traditionel forensisk regnskabsanalyse, den historiske praksis med at undersøge, hvor der opstod økonomiske lækager, efter at pengene har forladt kontoen. I stedet kan AI-modeller analysere enorme mængder betalingsdata for proaktivt at identificere potentielle omkostningsstigninger, før de rammer fortjenstmargenerne hårdt.

Hvis man derimod udelukkende baserer sig på AI, vil det afsløre flere kritiske blinde vinkler. AI er god til at gennemgå kompleks, tæt tekst, men betalingsformidleres kontoudtog er notorisk ustandardiserede. Hver betalingsformidler koder, mærker og viderefører gebyrer på forskellig vis. En maskinlæringsmodel kan beskrive en post med almindelige ord eller beregne en rå effektiv sats. Men uden kendskab til markedsforholdene i praksis kan den ikke fortælle en forretning, om satsen faktisk er rimelig eller konkurrencedygtig.

Brugen af selvstændige AI-værktøjer skaber ofte også en falsk tryghed eller giver blot travle virksomhedsledere endnu flere opgaver. AI kan nemt markere et usædvanligt gebyr på et kontrolpanel, men at identificere gebyret er kun en lille del af udfordringen. Det kræver dyb faglig ekspertise og aktiv menneskelig indgriben at afgøre, om gebyret kan forhandles, håndtere betalingsformidlerens modstand og sikre, at de forhandlede reduktioner fastholdes over tid – kompetencer, som AI ganske enkelt ikke kan levere.

Sådan navigerer man i moderne betalingskompleksitet

Forretninger er i øjeblikket nødt til at holde styr på gebyrer fra kortmærker, prismodeller baseret på interchange plus et tillæg samt ekstra gebyrer, som betalingsformidlerne lægger oveni. Det skaber et uigennemskueligt økosystem. Denne brancheomspændende krise til 198,25 milliarder dollars er enorm og udgør en af virksomhedernes største driftsomkostninger. Hovedproblemet er ikke det store antal gebyrer, men først og fremmest den grundlæggende mangel på gennemsigtighed og løbende sammenligningsgrundlag.

Det kræver, at man gennemgår tusindvis af dynamiske posteringer, at finde frem til dette skjulte omkostningslag, og manuelle revisioner kommer hurtigt til kort. Hvis en økonomidirektør eller en regnskabsafdeling ikke kan beregne behandlingsomkostningerne præcist, får virksomheden svært ved at prissætte sine produkter korrekt eller fastsætte pålidelige margener.

For eksempel ender forretninger under en standardaftale baseret på interchange plus et tillæg ofte i den situation, at transaktioner ikke kvalificerer sig til de lovede satser. Erhvervs- og bonuskort, der bruges i fysiske butikker, kan blive placeret i højere bonuskategorier med betydelige tillæg målt i basispoint. Tilsvarende kan transaktioner uden fysisk korttilstedeværelse, hvor der mangler detaljerede adresseverificeringsoplysninger eller data om hurtig afregning, ubemærket blive nedklassificeret til dyrere kvalifikationskategorier. For at gøre ondt værre offentliggør betalingsformidlere jævnligt dynamiske prisjusteringer, der gemmer sig med småt i månedlige PDF-kontoudtog, hvor de let overses ved rutinemæssige gennemgange.

Manuel sporing i regneark opdager sjældent disse systemiske lækager, før der er gået flere måneder. Det er ikke længere nok at lave bedre regneark. AI kan automatisere det omfattende arbejde med løbende overvågning, men forretninger må kombinere AI med målrettet menneskelig ekspertise og indsigt i de faktiske markedsforhold for at omsætte analyserne til reelle prisreduktioner.

Udvikling af prædiktive modeller til dynamisk prissætning

Disse reduktioner opnås ved at omdanne rå transaktionshistorik til fremadskuende viden. Ved at træne prædiktive analysemodeller på historiske data om forretningers betalingsbehandling kan organisationer gå fra efterfølgende rapportering til fremadskuende omkostningsstyring. Avancerede modeller kan analysere historiske transaktionsstrømme, identificere små ændringer i kortmærkernes interchange-tabeller og markere betalingsformidleres tillæg, før de vokser til store årlige udgifter.

Det er dog teknisk krævende at bygge en effektiv analyseplatform til betalinger. Maskinlæringsmodeller er kun så effektive som dybden og kvaliteten af de underliggende data. Ud over grundlæggende oplysninger om transaktionsmængder kræver robuste betalingsmodeller detaljerede input såsom specifikke Merchant Category Codes, geografisk placering og faktorer vedrørende grænseoverskridende routing, fordelingen mellem transaktioner med og uden fysisk korttilstedeværelse samt detaljerede tærskler for interchange-kvalificering som fastlagt af store kortnetværk som Visa og Mastercard.

Når disse prædiktive systemer trænes korrekt på store datamængder, kan de udføre kompleks scenarieplanlægning. Finanschefer kan simulere, hvordan nettomarginerne ville reagere, hvis interchange-satserne i kortnetværkene steg med en bestemt margen, eller hvordan et sæsonbetinget skift mod større brug af kreditkort frem for debetkort under højsæsonens julesalg ville påvirke nettoindtægterne.

Det afgørende samspil mellem AI-præcision og menneskelig ekspertise

Selvom prædiktiv teknologi giver en enestående klarhed over data, ligger den største værdi i gebyrstyring i samspillet mellem AI-præcision og kvalificeret menneskelig interessevaretagelse. En prædiktiv model kan beregne omkostninger og markere pludselige gebyrstigninger, men den kan ikke forhandle med en betalingsformidler. Den har ingen etablerede relationer i branchen, kan ikke håndtere en betalingsformidlers modstand, når det hævdes, at et gebyr er et ufravigeligt netværksgebyr, og kan ikke gennemgå en virksomheds bredere driftsmæssige rammer, såsom softwareintegrationer, arbejdsgange for kortoplysninger gemt til senere brug eller terminalkonfigurationer.

Som Reuters har rapporteret, har informationsasymmetri mellem finansielle betalingsformidlere og handlende historisk set stillet virksomhedsejere dårligere i forhandlinger. Moderne betalingsstyring udjævner spillereglerne med en supplerende todelt model. Prædiktiv AI kan stå for det omfattende, løbende dataarbejde og gennemgå tusindvis af poster for at finde afvigelser og overopkrævninger, som det menneskelige øje ville overse.

Erfarne menneskelige rådgivere kan derefter træde til og sætte dataene i sammenhæng. Disse eksperter sammenligner den handlendes nettoeffektive satser med reelle, branchespecifikke markedsreferencer for at fastslå, hvad virksomheden faktisk bør betale. Menneskelige eksperter bør også stå for de direkte forhandlinger med de nuværende betalingsformidlere, så besværet ved at skifte udbyder undgås, og gennemføre løbende månedlige revisioner for at sikre, at de forhandlede satser fastholdes over tid uden skjulte, gradvise gebyrstigninger.

AI er uvurderlig til at behandle store datamængder i stor skala, men når det gælder udformning af aftaler, håndtering af finansielle partnerskaber og sikring af varige marginforbedringer, er menneskelig ekspertise fortsat uerstattelig.

Fremtiden for smartere betalinger til handlende

Udviklingen inden for betalingstjenester til handlende vil ikke blive defineret af hurtigere afviklingstider, men af smartere og mere gennemsigtig transaktionsindsigt. Efterhånden som prædiktiv modellering modnes side om side med rammer for maskinlæring, får de handlende stadig mere avancerede værktøjer til at afdække skjulte omkostninger.

AI alene er ikke en komplet løsning. De handlende, der lykkes med at beskytte deres langsigtede marginer, vil være dem, der kombinerer AI-baseret indsigt i data med målrettet menneskelig interessevaretagelse. Ved at bevæge sig væk fra både rent automatiserede værktøjer og manuelle regneark kan de handlende endelig forvandle betalingsgebyrer fra en uundgåelig sort boks til en strategisk og fuldt optimeret økonomisk fordel.