Πώς η προγνωστική τεχνητή νοημοσύνη και η ανθρώπινη τεχνογνωσία φέρνουν επανάσταση στη διαχείριση των προμηθειών των εμπόρων

Τις τελευταίες δύο δεκαετίες, ο κλάδος των πληρωμών έχει εξελιχθεί σε ένα σύνθετο, άκρως τεχνικό δίκτυο αλληλεξαρτώμενων στοιχείων και δυναμικών κανόνων. Οι προμήθειες των εμπόρων δεν αποτελούν πλέον προβλέψιμο κόστος λειτουργίας, αλλά μια ευμετάβλητη παράμετρο που μπορεί αθόρυβα να διαβρώσει την κερδοφορία μιας επιχείρησης.

Η σύγχρονη διαχείριση προμηθειών απαιτεί την αντιμετώπιση μεταβαλλόμενων διατραπεζικών προμηθειών, εξελισσόμενων προτύπων συμμόρφωσης και μοντέλων τιμολόγησης πολλαπλών επιπέδων. Όσον αφορά τις αναδυόμενες μεθόδους πληρωμής, είναι σαφές ότι οι μέρες της αντιδραστικής προσέγγισης στη διαχείριση των υπηρεσιών αποδοχής πληρωμών έχουν παρέλθει ανεπιστρεπτί. Επιχειρήσεις σε όλους τους κλάδους βρίσκονται πλέον τακτικά αντιμέτωπες με απρόσμενα κύματα εξόδων επεξεργασίας πληρωμών, τα οποία δυσκολεύονται να προβλέψουν, να αποκωδικοποιήσουν ή να ελέγξουν.

Οι δυνατότητες και τα τυφλά σημεία της τεχνητής νοημοσύνης στις πληρωμές εμπόρων

Εκ πρώτης όψεως, οι ραγδαίες εξελίξεις στη χρηματοοικονομική τεχνολογία υπόσχονται ανακούφιση. Τα εργαλεία τεχνητής νοημοσύνης και οι αυτοματοποιημένες λύσεις ελέγχου επιτρέπουν πλέον στους εμπόρους να ελέγχουν καλύτερα τα δεδομένα πληρωμών τους. Σύμφωνα με την Gartner, έως το τέλος του τρέχοντος έτους το 90% των οικονομικών διευθύνσεων θα έχει υιοθετήσει τουλάχιστον μία τεχνολογική λύση που αξιοποιεί την τεχνητή νοημοσύνη.

Αξιοποιώντας προγνωστικούς αλγορίθμους, οι έμποροι δεν είναι πλέον αναγκασμένοι να βασίζονται αποκλειστικά στην παραδοσιακή εγκληματολογική λογιστική —την πρακτική διερεύνησης των σημείων όπου προέκυψαν οικονομικές απώλειες αφού τα χρήματα έχουν ήδη φύγει από τον λογαριασμό. Αντίθετα, οι αρχιτεκτονικές μοντέλων τεχνητής νοημοσύνης μπορούν να αναλύουν τεράστιους όγκους δεδομένων επεξεργασίας πληρωμών, εντοπίζοντας προληπτικά πιθανές απότομες αυξήσεις του κόστους προτού πληγούν σοβαρά τα περιθώρια κέρδους.

Ωστόσο, η αποκλειστική εξάρτηση από μια προσέγγιση που βασίζεται στην τεχνητή νοημοσύνη αποκαλύπτει αρκετά κρίσιμα τυφλά σημεία. Παρότι η τεχνητή νοημοσύνη είναι ικανή να αναλύει σύνθετα και πυκνά κείμενα, τα αντίγραφα κινήσεων των παρόχων επεξεργασίας πληρωμών δεν ακολουθούν σχεδόν ποτέ ενιαία μορφή. Κάθε πάροχος κωδικοποιεί, επισημαίνει και μετακυλίει τις χρεώσεις με διαφορετικό τρόπο. Ένα μοντέλο μηχανικής μάθησης μπορεί να περιγράψει μια εγγραφή με απλή γλώσσα ή να υπολογίσει ένα ακαθάριστο πραγματικό ποσοστό χρέωσης. Ωστόσο, χωρίς γνώση των συνθηκών της αγοράς στην πράξη, δεν μπορεί να πει στον έμπορο αν το ποσοστό αυτό είναι πράγματι δίκαιο ή ανταγωνιστικό.

Η εξάρτηση από μεμονωμένα εργαλεία τεχνητής νοημοσύνης δημιουργεί επίσης συχνά μια ψευδή αίσθηση ασφάλειας ή απλώς φορτώνει τους πολυάσχολους επιχειρηματικούς ηγέτες με περισσότερη δουλειά. Παρότι η τεχνητή νοημοσύνη μπορεί εύκολα να επισημάνει μια ασυνήθιστη χρέωση σε έναν πίνακα ελέγχου, ο εντοπισμός της είναι μόνο ένα μικρό μέρος της συνολικής προσπάθειας. Για να διαπιστωθεί αν η χρέωση είναι διαπραγματεύσιμη, να αντιμετωπιστούν οι αντιρρήσεις του παρόχου και να διασφαλιστεί ότι οι συμφωνημένες μειώσεις θα διατηρηθούν με την πάροδο του χρόνου, απαιτούνται βαθιά γνώση του αντικειμένου και ενεργή ανθρώπινη παρέμβαση — δυνατότητες που η τεχνητή νοημοσύνη απλώς δεν μπορεί να προσφέρει.

Αντιμετωπίζοντας την πολυπλοκότητα των σύγχρονων πληρωμών

Οι έμποροι είναι σήμερα αναγκασμένοι να διαχειρίζονται τα τέλη των δικτύων καρτών, τα μοντέλα τιμολόγησης με διατραπεζική προμήθεια και πρόσθετο περιθώριο, καθώς και τις συμπληρωματικές χρεώσεις που επιβάλλουν οι πάροχοι, δημιουργώντας ένα αδιαφανές οικοσύστημα. Αυτή η κρίση 198,25 δισεκατομμυρίων δολαρίων σε ολόκληρο τον κλάδο είναι τεράστια και καθιστά τις σχετικές δαπάνες μία από τις μεγαλύτερες λειτουργικές επιβαρύνσεις των επιχειρήσεων. Το βασικό πρόβλημα δεν είναι ο τεράστιος αριθμός των χρεώσεων, αλλά κυρίως η θεμελιώδης έλλειψη διαφάνειας και συγκριτικών δεδομένων σε πραγματικό χρόνο.

Για να αποκαλυφθεί αυτό το κρυφό επίπεδο κόστους, πρέπει να εξεταστούν χιλιάδες δυναμικές εγγραφές, μια εργασία στην οποία οι χειροκίνητοι έλεγχοι γρήγορα φτάνουν στα όριά τους. Αν ένας οικονομικός διευθυντής ή μια λογιστική ομάδα δεν μπορεί να μοντελοποιήσει με ακρίβεια το κόστος επεξεργασίας πληρωμών, η επιχείρηση δυσκολεύεται να τιμολογήσει σωστά τα προϊόντα της ή να καθορίσει αξιόπιστα περιθώρια κέρδους.

Για παράδειγμα, στο πλαίσιο μιας τυπικής συμφωνίας τιμολόγησης με διατραπεζική προμήθεια και πρόσθετο περιθώριο, οι έμποροι συχνά πέφτουν στην παγίδα συναλλαγών που δεν πληρούν τις προϋποθέσεις για τις συμφωνημένες τιμές. Επαγγελματικές κάρτες και κάρτες επιβράβευσης που χρησιμοποιούνται σε καταστήματα λιανικής ενδέχεται να καταταχθούν σε υψηλότερες βαθμίδες επιβράβευσης, οι οποίες συνεπάγονται σημαντικές προσαυξήσεις σε μονάδες βάσης. Αντίστοιχα, συναλλαγές χωρίς φυσική παρουσία κάρτας, στις οποίες δεν υπάρχουν αναλυτικά στοιχεία επαλήθευσης διεύθυνσης ή δεδομένα έγκαιρου διακανονισμού, μπορεί να υποβαθμιστούν αθόρυβα σε κατηγορίες τιμολόγησης υψηλότερου κόστους. Σαν να μην έφτανε αυτό, οι πάροχοι ανακοινώνουν τακτικά δυναμικές προσαρμογές τιμολόγησης, κρυμμένες στα ψιλά γράμματα των μηνιαίων αντιγράφων κινήσεων σε PDF, οι οποίες εύκολα περνούν απαρατήρητες κατά τους συνήθεις ελέγχους.

Η χειροκίνητη παρακολούθηση σε υπολογιστικά φύλλα σπάνια εντοπίζει αυτές τις συστημικές διαρροές κόστους προτού περάσουν μήνες. Η δημιουργία καλύτερων υπολογιστικών φύλλων δεν αρκεί πλέον. Παρότι η τεχνητή νοημοσύνη μπορεί να αυτοματοποιήσει το απαιτητικό έργο της συνεχούς παρακολούθησης, οι έμποροι πρέπει να τη συνδυάζουν με εξειδικευμένη ανθρώπινη τεχνογνωσία και πραγματική γνώση της αγοράς, ώστε να μετατρέπουν τα αναλυτικά δεδομένα σε πραγματικές μειώσεις προμηθειών.

Δημιουργία προγνωστικών μοντέλων για δυναμική τιμολόγηση

Η επίτευξη αυτών των μειώσεων ξεκινά με τη μετατροπή των ακατέργαστων ιστορικών στοιχείων συναλλαγών σε πληροφορίες που επιτρέπουν τον σχεδιασμό για το μέλλον. Εκπαιδεύοντας μοντέλα προγνωστικής ανάλυσης με ιστορικά δεδομένα επεξεργασίας πληρωμών των εμπόρων, οι οργανισμοί μπορούν να περάσουν από την εκ των υστέρων αναφορά στη μελλοντοστραφή διαχείριση του κόστους. Τα προηγμένα μοντέλα μπορούν να αναλύουν τις ιστορικές ροές συναλλαγών, να εντοπίζουν μικρές μεταβολές στους πίνακες διατραπεζικών προμηθειών των δικτύων καρτών και να επισημαίνουν τις προσαυξήσεις των παρόχων προτού αυτές συσσωρευτούν και εξελιχθούν σε τεράστιες ετήσιες δαπάνες.

Ωστόσο, η κατασκευή μιας αποτελεσματικής μηχανής ανάλυσης πληρωμών είναι τεχνικά απαιτητική. Η αποτελεσματικότητα των μοντέλων μηχανικής μάθησης εξαρτάται από το βάθος και την ποιότητα των δεδομένων στα οποία βασίζονται. Πέρα από τους βασικούς δείκτες όγκου, τα αξιόπιστα μοντέλα πληρωμών χρειάζονται λεπτομερή δεδομένα, όπως συγκεκριμένους κωδικούς κατηγορίας εμπόρου, γεωγραφική θέση και παράγοντες δρομολόγησης διασυνοριακών συναλλαγών, αναλογίες συναλλαγών με φυσική παρουσία κάρτας έναντι συναλλαγών χωρίς φυσική παρουσία κάρτας, καθώς και λεπτομερή όρια επιλεξιμότητας για διατραπεζικές προμήθειες, όπως ορίζονται από μεγάλα δίκτυα καρτών όπως η Visa και η Mastercard.

Όταν εκπαιδεύονται σωστά με μεγάλα σύνολα δεδομένων, αυτά τα συστήματα πρόβλεψης μπορούν να σχεδιάζουν σύνθετα σενάρια. Τα στελέχη του οικονομικού τμήματος μπορούν να προσομοιώνουν πώς θα αντιδρούσαν τα καθαρά περιθώρια κέρδους σε περίπτωση που τα διατραπεζικά τέλη των δικτύων καρτών αυξάνονταν κατά συγκεκριμένο ποσοστό ή πώς μια εποχική στροφή στη χρήση πιστωτικών αντί χρεωστικών καρτών κατά την περίοδο των εορταστικών αγορών αιχμής θα επηρέαζε τα καθαρά έσοδα.

Η κρίσιμη τομή: η ακρίβεια της ΤΝ και η ανθρώπινη τεχνογνωσία

Παρότι η προγνωστική τεχνολογία προσφέρει απαράμιλλη σαφήνεια στα δεδομένα, η πραγματική αξία στη διαχείριση χρεώσεων βρίσκεται στον συνδυασμό της ακρίβειας της ΤΝ με την παρέμβαση έμπειρων ανθρώπων. Ένα προγνωστικό μοντέλο μπορεί να υπολογίζει κόστη και να εντοπίζει αιχμές στις χρεώσεις, αλλά δεν μπορεί να διαπραγματευτεί με έναν πάροχο υπηρεσιών πληρωμών. Δεν διαθέτει θεσμικές σχέσεις, δεν μπορεί να διαχειριστεί τις αντιρρήσεις του παρόχου όταν αυτός ισχυρίζεται ότι μια χρέωση είναι υποχρεωτικό τέλος του δικτύου και δεν μπορεί να εξετάσει το ευρύτερο λειτουργικό πλαίσιο μιας επιχείρησης, όπως τις διασυνδέσεις λογισμικού, τις ροές εργασίας για αποθηκευμένες κάρτες ή τις ρυθμίσεις των τερματικών.

Όπως αναφέρει το Reuters, η ασυμμετρία στην πληροφόρηση μεταξύ χρηματοπιστωτικών παρόχων και εμπόρων έφερνε διαχρονικά τους επιχειρηματίες σε μειονεκτική θέση στις διαπραγματεύσεις. Η σύγχρονη διαχείριση πληρωμών εξισορροπεί αυτή την κατάσταση μέσω ενός συμπληρωματικού πλαισίου δύο μερών. Η προγνωστική ΤΝ μπορεί να αναλάβει το απαιτητικό έργο της συνεχούς επεξεργασίας δεδομένων, εξετάζοντας χιλιάδες επιμέρους εγγραφές για να εντοπίσει ανωμαλίες και υπερχρεώσεις που θα διέφευγαν από το ανθρώπινο μάτι.

Στη συνέχεια, έμπειροι ανθρώπινοι σύμβουλοι μπορούν να παρέμβουν, δίνοντας το κατάλληλο πλαίσιο στα δεδομένα. Συγκρίνουν τα καθαρά πραγματικά ποσοστά χρέωσης του εμπόρου με τα πραγματικά, ειδικά για τον εκάστοτε κλάδο, σημεία αναφοράς της αγοράς, ώστε να προσδιορίσουν τι θα έπρεπε πράγματι να πληρώνει η επιχείρηση. Οι ανθρώπινοι ειδικοί θα πρέπει επίσης να αναλαμβάνουν τις απευθείας διαπραγματεύσεις με τους υφιστάμενους παρόχους, αποφεύγοντας τις δυσκολίες που συνεπάγεται η αλλαγή παρόχου, καθώς και να διενεργούν τακτικούς μηνιαίους ελέγχους, ώστε να διασφαλίζουν ότι οι συμφωνημένες χρεώσεις διατηρούνται με την πάροδο του χρόνου, χωρίς κρυφές σταδιακές αυξήσεις.

Η ΤΝ είναι ανεκτίμητη για την επεξεργασία μεγάλου όγκου δεδομένων σε μεγάλη κλίμακα. Ωστόσο, όταν πρόκειται για τη διαμόρφωση συμφωνιών, τη διαχείριση χρηματοοικονομικών συνεργασιών και τη διασφάλιση διαρκούς ανάκτησης περιθωρίου κέρδους, η ανθρώπινη τεχνογνωσία παραμένει αναντικατάστατη.

Το μέλλον των εξυπνότερων πληρωμών για εμπόρους

Η εξέλιξη των υπηρεσιών προς εμπόρους δεν θα καθοριστεί από ταχύτερους χρόνους εκκαθάρισης, αλλά από εξυπνότερη και πιο διαφανή πληροφόρηση για τις συναλλαγές. Καθώς η προγνωστική μοντελοποίηση εξελίσσεται παράλληλα με τα πλαίσια μηχανικής μάθησης, οι έμποροι θα αποκτούν όλο και πιο προηγμένα εργαλεία για να αποκαλύπτουν κρυφά κόστη.

Η ΤΝ από μόνη της δεν αποτελεί ολοκληρωμένη λύση. Οι έμποροι που θα καταφέρουν να προστατεύσουν τα μακροπρόθεσμα περιθώρια κέρδους τους θα είναι εκείνοι που θα συνδυάσουν την ορατότητα στα δεδομένα που προσφέρει η ΤΝ με την εξειδικευμένη ανθρώπινη υποστήριξη. Απομακρυνόμενοι τόσο από τα αποκλειστικά αυτοματοποιημένα εργαλεία όσο και από τα χειροκίνητα υπολογιστικά φύλλα, οι έμποροι μπορούν επιτέλους να μετατρέψουν τις χρεώσεις πληρωμών από ένα αναπόφευκτο «μαύρο κουτί» σε στρατηγικό, πλήρως βελτιστοποιημένο οικονομικό πλεονέκτημα.