Bagaimana AI Prediktif dan Keahlian Manusia Merevolusi Pengelolaan Biaya Merchant

Selama dua dekade terakhir, industri pembayaran berkembang menjadi jaringan yang kompleks dan sangat teknis, dengan berbagai komponen yang terus berubah dan aturan yang dinamis. Struktur biaya merchant bukan lagi biaya usaha yang dapat diprediksi, melainkan variabel yang bergejolak dan dapat diam-diam menggerus laba bersih perusahaan.

Pengelolaan biaya modern menuntut kemampuan untuk menghadapi perubahan tarif interchange, standar kepatuhan yang terus berkembang, dan model penetapan harga bertingkat. Dengan munculnya metode pembayaran baru, jelas bahwa masa ketika layanan merchant dikelola secara reaktif sudah lama berlalu. Kini, bisnis di semua sektor kerap dihadapkan pada lonjakan biaya pemrosesan yang tak terduga dan sulit mereka antisipasi, pahami, atau kendalikan.

Potensi dan Titik Buta AI dalam Pembayaran Merchant

Sekilas, pesatnya kemajuan teknologi finansial menjanjikan solusi. Perangkat AI dan solusi audit otomatis kini memungkinkan merchant mengendalikan data pembayaran mereka dengan lebih baik. Menurut Gartner, 90% fungsi keuangan akan menerapkan setidaknya satu solusi teknologi berbasis AI pada akhir tahun ini.

Dengan memanfaatkan algoritma prediktif, merchant tak lagi harus hanya mengandalkan akuntansi forensik tradisional, yaitu praktik lama untuk menyelidiki kebocoran keuangan setelah uang meninggalkan rekening. Sebaliknya, arsitektur model AI dapat menganalisis data pemrosesan pembayaran dalam jumlah besar untuk mengidentifikasi potensi lonjakan biaya secara proaktif sebelum margin laba terpukul parah.

Namun, jika hanya mengandalkan pendekatan berbasis AI, beberapa titik buta yang krusial akan terlihat. AI memang mahir mengurai teks yang kompleks dan padat, tetapi laporan dari pemroses pembayaran terkenal tidak memiliki format baku. Setiap pemroses menggunakan kode dan label yang berbeda serta meneruskan biaya dengan cara yang berbeda pula. Model pembelajaran mesin dapat menjelaskan pos biaya dengan bahasa sederhana atau menghitung tarif efektif dasar. Namun, tanpa pemahaman tentang kondisi pasar nyata, model tersebut tidak dapat memberi tahu merchant apakah tarif itu benar-benar wajar atau kompetitif.

Mengandalkan perangkat AI yang berdiri sendiri juga kerap menimbulkan rasa aman yang semu atau sekadar menambah beban kerja bagi para pemimpin bisnis yang sudah sibuk. AI dapat dengan mudah menandai biaya yang tidak biasa di dasbor, tetapi mengidentifikasi tagihan itu hanyalah sebagian kecil dari tantangannya. Menentukan apakah biaya tersebut dapat dinegosiasikan, menghadapi penolakan dari pemroses, dan memastikan potongan hasil negosiasi tetap berlaku dari waktu ke waktu membutuhkan keahlian mendalam di bidang ini dan keterlibatan aktif manusia—kemampuan yang memang tidak dapat diberikan oleh AI.

Menghadapi Kompleksitas Pembayaran Modern

Saat ini, merchant harus menangani pungutan dari jaringan kartu, model penetapan harga interchange-plus, dan biaya tambahan yang dibebankan pemroses, sehingga tercipta ekosistem yang tidak transparan. Krisis senilai $198,25 miliar yang melanda seluruh industri ini berdampak sangat besar dan menjadikannya salah satu pos biaya operasional terbesar bagi bisnis. Masalah utamanya bukanlah banyaknya biaya semata, melainkan terutama kurangnya visibilitas mendasar dan tolok ukur waktu nyata.

Mengungkap lapisan biaya tersembunyi ini mengharuskan perusahaan menyisir ribuan pos transaksi yang dinamis—tugas yang segera menemui jalan buntu jika dilakukan melalui audit manual. Jika direktur keuangan atau tim akuntansi tidak dapat memodelkan biaya pemrosesan secara akurat, perusahaan akan kesulitan menetapkan harga produk dengan tepat atau menentukan margin yang dapat diandalkan.

Sebagai contoh, dalam perjanjian interchange-plus standar, transaksi merchant sering kali tidak memenuhi syarat untuk diproses dengan tarif yang dijanjikan. Kartu komersial dan kartu rewards yang digunakan di gerai ritel dapat dimasukkan ke dalam kategori rewards bertarif lebih tinggi, yang dikenai premi signifikan dalam basis poin. Demikian pula, transaksi tanpa kehadiran kartu yang tidak dilengkapi verifikasi alamat terperinci atau data penyelesaian yang cepat dapat diam-diam diturunkan ke kategori pemenuhan syarat dengan biaya lebih tinggi. Lebih buruk lagi, pemroses kerap mengumumkan penyesuaian harga dinamis yang terselip dalam cetakan kecil pada laporan PDF bulanan, sehingga mudah terlewat saat peninjauan rutin.

Pelacakan manual dengan spreadsheet jarang mendeteksi kebocoran sistemis ini sebelum berbulan-bulan berlalu. Membuat spreadsheet yang lebih baik saja tidak lagi cukup. AI dapat mengotomatiskan pekerjaan berat dalam pemantauan berkelanjutan, tetapi merchant harus memadukan AI dengan keahlian manusia khusus dan wawasan pasar nyata agar analitik tersebut menghasilkan penurunan tarif yang nyata.

Membangun Model Prediktif untuk Penetapan Harga Dinamis

Untuk mencapai penurunan biaya tersebut, langkah pertama adalah mengubah riwayat transaksi mentah menjadi wawasan yang berorientasi ke masa depan. Dengan melatih model analitik prediktif menggunakan data historis pemrosesan merchant, organisasi dapat beralih dari pelaporan setelah kejadian ke pengelolaan biaya yang berorientasi ke depan. Model canggih dapat menganalisis alur transaksi historis, mengidentifikasi perubahan kecil pada tabel interchange jaringan kartu, dan menandai markup pemroses sebelum biaya tersebut menumpuk hingga menjadi pengeluaran tahunan yang sangat besar.

Namun, membangun mesin analitik pembayaran yang efektif membutuhkan keahlian teknis tinggi. Efektivitas model pembelajaran mesin hanya sebaik kedalaman dan kualitas data yang mendasarinya. Selain metrik volume dasar, model pembayaran yang andal memerlukan masukan terperinci, seperti Kode Kategori Merchant tertentu, lokasi geografis dan faktor perutean lintas batas, proporsi transaksi dengan kartu hadir dibandingkan transaksi tanpa kehadiran kartu, serta ambang batas kualifikasi interchange terperinci sebagaimana ditetapkan oleh jaringan kartu utama seperti Visa dan Mastercard.

Jika dilatih dengan baik menggunakan kumpulan data bervolume tinggi, sistem prediktif ini dapat melakukan perencanaan skenario yang kompleks. Para pemimpin keuangan dapat menyimulasikan dampak kenaikan tarif interchange jaringan kartu dengan margin tertentu terhadap margin bersih, atau dampak pergeseran musiman dari penggunaan kartu debit ke kartu kredit selama puncak penjualan liburan terhadap pendapatan bersih.

Persinggungan Krusial: Ketepatan AI dan Keahlian Manusia

Teknologi prediktif memberikan kejelasan data yang tak tertandingi, tetapi nilai terbesar dalam pengelolaan biaya terletak pada perpaduan antara ketepatan AI dan advokasi ahli manusia. Model prediktif dapat menghitung biaya dan menandai lonjakan biaya, tetapi tidak dapat bernegosiasi dengan pemroses pembayaran. Model tersebut tidak memiliki hubungan kelembagaan, tidak dapat menangani penolakan pemroses ketika suatu biaya diklaim sebagai biaya jaringan yang tidak dapat dinegosiasikan, dan tidak dapat meninjau kerangka kerja operasional perusahaan secara lebih luas, seperti integrasi perangkat lunak, alur kerja kartu yang tersimpan, atau konfigurasi terminal.

Sebagaimana dilaporkan Reuters, ketimpangan informasi antara pemroses keuangan dan pedagang selama ini membuat pemilik usaha berada pada posisi tawar yang kurang menguntungkan. Pengelolaan pembayaran modern menyetarakan posisi tersebut melalui kerangka kerja dua bagian yang saling melengkapi. AI prediktif dapat menangani pekerjaan berat dalam pengolahan data berkelanjutan dengan memindai ribuan pos transaksi untuk menemukan anomali dan tagihan berlebih yang mungkin luput dari pengamatan manusia.

Para ahli manusia yang berpengalaman kemudian dapat memberikan konteks pada data tersebut. Mereka membandingkan tarif efektif bersih pedagang dengan tolok ukur pasar di dunia nyata yang spesifik untuk industrinya guna menentukan jumlah yang seharusnya dibayarkan oleh bisnis tersebut. Para ahli manusia juga sebaiknya menangani negosiasi langsung dengan pemroses yang ada saat ini, sehingga tidak perlu repot berpindah penyedia, serta melakukan audit bulanan secara berkelanjutan untuk memastikan tarif hasil negosiasi tetap berlaku dari waktu ke waktu tanpa kenaikan tarif tersembunyi.

AI sangat bermanfaat untuk memproses data bervolume tinggi dalam skala besar, tetapi dalam hal menyusun perjanjian, mengelola kemitraan keuangan, dan memastikan pemulihan margin yang berkelanjutan, keahlian manusia tetap tak tergantikan.

Masa Depan Pembayaran Pedagang yang Lebih Cerdas

Perkembangan layanan bagi pedagang tidak akan ditentukan oleh waktu penyelesaian transaksi yang lebih cepat, melainkan oleh kecerdasan transaksi yang lebih baik dan transparan. Seiring semakin matangnya pemodelan prediktif dan berkembangnya kerangka kerja pembelajaran mesin, pedagang akan memperoleh sarana yang semakin canggih untuk mengungkap biaya tersembunyi.

AI saja bukanlah solusi yang lengkap. Pedagang yang berhasil melindungi margin jangka panjang mereka adalah mereka yang memadukan visibilitas data berbasis AI dengan advokasi khusus dari tenaga ahli. Dengan beralih dari penggunaan alat yang sepenuhnya otomatis di satu sisi dan spreadsheet manual di sisi lain, pedagang akhirnya dapat mengubah biaya pembayaran dari hal yang tak terhindarkan dan tidak transparan menjadi keunggulan finansial yang strategis dan dioptimalkan sepenuhnya.