Hvordan prediktiv KI og menneskelig ekspertise revolusjonerer håndteringen av forhandlergebyrer

I løpet av de siste to tiårene har betalingsbransjen utviklet seg til et komplekst, svært teknisk nettverk av bevegelige deler og dynamiske regelsett. Gebyrstrukturer for forhandlere er ikke lenger en forutsigbar kostnad ved å drive virksomhet, men en uforutsigbar faktor som i det stille kan tære på en bedrifts bunnlinje.

Moderne gebyrhåndtering krever at man navigerer i skiftende interchange-satser, standarder for etterlevelse i stadig utvikling og prismodeller med flere nivåer. Når man ser på nye betalingsmetoder, er det tydelig at tiden for en reaktiv tilnærming til håndtering av forhandlertjenester for lengst er forbi. Virksomheter i alle bransjer rammes nå jevnlig av uventede bølger av behandlingsgebyrer som de har problemer med å forutse, forstå eller kontrollere.

Mulighetene og blindsonene ved KI i betalinger for forhandlere

Ved første øyekast lover den raske utviklingen innen finansteknologi en løsning. KI-verktøy og automatiserte revisjonsløsninger gjør det nå mulig for forhandlere å få bedre kontroll over betalingsdataene sine. Ifølge Gartner vil 90 % av økonomifunksjonene ta i bruk minst én teknologiløsning med KI innen utgangen av året.

Ved å utnytte prediktive algoritmer er forhandlere ikke lenger nødt til å basere seg utelukkende på tradisjonell regnskapsgransking – den historiske praksisen med å undersøke hvor økonomiske lekkasjer oppsto etter at pengene hadde forlatt kontoen. KI-modellarkitekturer kan i stedet analysere enorme mengder data om betalingsbehandling for å identifisere potensielle kostnadshopp på forhånd, før de rammer fortjenestemarginene hardt.

Å basere seg utelukkende på en KI-drevet tilnærming vil imidlertid avdekke flere kritiske blindsoner. KI er flink til å analysere kompleks, tettpakket tekst, men kontoutskrifter fra betalingsformidlere er kjent for å mangle standardisering. Hver betalingsformidler koder, merker og viderefakturerer gebyrer på sin egen måte. En maskinlæringsmodell kan beskrive en post med et enkelt språk eller beregne en rå effektiv sats. Uten kontekst om det faktiske markedet kan den likevel ikke fortelle en forhandler om satsen faktisk er rimelig eller konkurransedyktig.

Å basere seg på frittstående KI-verktøy skaper også ofte en falsk trygghetsfølelse eller gir travle bedriftsledere enda mer arbeid. KI kan enkelt flagge et uvanlig gebyr i et dashbord, men å identifisere gebyret er bare en liten del av jobben. Det krever inngående fagkunnskap og aktiv menneskelig innsats å avgjøre om gebyret kan forhandles, håndtere motstand fra betalingsformidleren og sørge for at forhandlede reduksjoner opprettholdes over tid – noe KI rett og slett ikke kan levere.

Slik navigerer man i dagens komplekse betalingslandskap

Forhandlere må i dag håndtere avgifter fra kortmerkene, prismodeller basert på interchange pluss påslag og tilleggsgebyrer som betalingsformidlerne legger til, noe som skaper et ugjennomsiktig økosystem. Denne bransjeomfattende krisen på 198,25 milliarder dollar er enorm og gjør dette til en av virksomhetenes største driftskostnader. Hovedproblemet er ikke først og fremst det store antallet gebyrer, men den grunnleggende mangelen på innsyn og referansetall i sanntid.

For å avdekke dette skjulte kostnadslaget må man gå gjennom tusenvis av variable poster, en oppgave der manuelle kontroller raskt kommer til kort. Hvis en økonomidirektør eller regnskapsavdeling ikke kan modellere behandlingskostnadene nøyaktig, får virksomheten problemer med å fastsette riktige priser på produkter eller pålitelige marginer.

Med en standardavtale basert på interchange pluss påslag risikerer forhandlere ofte at transaksjoner ikke kvalifiserer for satsene de er blitt lovet. Bedriftskort og belønningskort som brukes i butikker, kan bli plassert i høyere belønningsnivåer med betydelige påslag målt i basispunkter. Tilsvarende kan transaksjoner uten fysisk kort, der det mangler detaljerte adresseverifiseringsdata eller opplysninger om raskt oppgjør, i det stille bli nedklassifisert til kvalifikasjonskategorier med høyere kostnader. For å gjøre vondt verre varsler betalingsformidlere jevnlig om dynamiske prisjusteringer i det som står med liten skrift i månedlige PDF-kontoutskrifter, og disse justeringene er lette å overse ved rutinemessige gjennomganger.

Manuell sporing i regneark fanger sjelden opp slike systematiske lekkasjer før det har gått flere måneder. Det er ikke lenger nok å lage bedre regneark. KI kan automatisere det omfattende arbeidet med kontinuerlig overvåking, men forhandlere må kombinere KI med dedikert menneskelig ekspertise og innsikt i det faktiske markedet for å omsette analysene i reelle satsreduksjoner.

Utvikling av prediktive modeller for dynamisk prissetting

For å oppnå slike reduksjoner må rå transaksjonshistorikk først omdannes til innsikt som peker fremover. Ved å trene modeller for prediktiv analyse på historiske data om betalingsbehandling for forhandlere kan virksomheter gå fra rapportering i etterkant til fremtidsrettet kostnadsstyring. Avanserte modeller kan analysere historiske transaksjonsstrømmer, identifisere små endringer i interchange-tabellene til kortmerkene og flagge betalingsformidlernes påslag før de vokser til store årlige utgifter.

Det er imidlertid teknisk krevende å bygge en effektiv analyseplattform for betalinger. Maskinlæringsmodeller er bare så effektive som dybden og kvaliteten på dataene de bygger på. Gode betalingsmodeller trenger mer enn grunnleggende volummålinger; de krever detaljerte inndata som spesifikke bransjekoder for forhandlere (MCC-er), geografisk plassering og faktorer knyttet til ruting over landegrenser, fordelingen mellom transaksjoner med og uten fysisk kort og detaljerte terskler for interchange-kvalifisering slik de er fastsatt av store kortnettverk som Visa og Mastercard.

Når disse prediktive systemene trenes godt på datasett med store datamengder, kan de gjennomføre komplekse scenarioanalyser. Finansledere kan simulere hvordan netto marginer vil påvirkes dersom interchange-gebyrene i kortnettverkene øker med en bestemt margin, eller hvordan en sesongmessig dreining mot bruk av kredittkort fremfor debetkort i den travleste julehandelen vil påvirke nettoinntektene.

Det avgjørende skjæringspunktet: KI-presisjon og menneskelig ekspertise

Selv om prediktiv teknologi gir en enestående oversikt over dataene, ligger den egentlige verdien i gebyrhåndtering i skjæringspunktet mellom KI-presisjon og støtte fra menneskelige eksperter. En prediktiv modell kan beregne kostnader og avdekke plutselige gebyrøkninger, men den kan ikke forhandle med en betalingsformidler. Den har ingen etablerte relasjoner i bransjen, kan ikke håndtere motstand fra betalingsformidleren når denne hevder at et gebyr er et ikke-forhandlingsbart nettverksgebyr, og kan ikke vurdere virksomhetens bredere driftsrammer, for eksempel programvareintegrasjoner, arbeidsflyter for lagrede kortopplysninger eller terminalkonfigurasjoner.

Som Reuters har rapportert, har informasjonsasymmetri mellom finansielle betalingsformidlere og handelsbedrifter historisk sett gitt bedriftseiere en svakere forhandlingsposisjon. Moderne betalingshåndtering jevner ut forskjellene gjennom en todelt, utfyllende modell. Prediktiv KI kan ta seg av det omfattende arbeidet med kontinuerlig databehandling og gå gjennom tusenvis av enkeltposter for å avdekke avvik og overfakturering som mennesker ellers ikke ville oppdaget.

Erfarne menneskelige rådgivere kan deretter sette dataene i sammenheng. Disse ekspertene sammenligner handelsbedriftens netto effektive satser med markedsreferanser fra den virkelige verden, tilpasset den aktuelle bransjen, for å fastslå hva virksomheten faktisk bør betale. Menneskelige eksperter bør også stå for direkte forhandlinger med eksisterende betalingsformidlere, slik at man unngår friksjonen ved å bytte leverandør, og gjennomføre løpende månedlige revisjoner for å sikre at de avtalte satsene opprettholdes over tid uten skjulte, gradvise økninger.

KI er uvurderlig når store datamengder skal behandles i stor skala, men når det gjelder å utforme avtaler, forvalte finansielle partnerskap og sikre varig gjenoppretting av marginer, er menneskelig ekspertise fortsatt uerstattelig.

Fremtiden for smartere betalinger for næringsdrivende

Utviklingen innen tjenester for næringsdrivende vil ikke bli definert av raskere oppgjørstider, men av smartere og mer gjennomsiktig transaksjonsinnsikt. Etter hvert som prediktiv modellering modnes parallelt med rammeverk for maskinlæring, får næringsdrivende stadig mer avanserte verktøy for å synliggjøre skjulte kostnader.

KI alene er ingen fullstendig løsning. Næringsdrivende som lykkes med å beskytte marginene sine på lang sikt, vil være de som kombinerer datainnsikt drevet av KI med målrettet støtte fra menneskelige eksperter. Ved å bevege seg bort fra både rent automatiserte verktøy på den ene siden og manuelle regneark på den andre, kan næringsdrivende endelig gjøre betalingsgebyrer om fra en uunngåelig svart boks til et strategisk og fullt optimalisert økonomisk fortrinn.