Как прогнозный ИИ и человеческая экспертиза меняют управление комиссиями торговых предприятий

За последние два десятилетия индустрия платежей превратилась в сложную, высокотехнологичную сеть взаимосвязанных элементов и динамичных правил. Структура комиссий для торговых предприятий больше не представляет собой предсказуемую статью расходов на ведение бизнеса, а стала непостоянной величиной, которая может незаметно подрывать финансовые результаты компании.

Управление комиссиями в современных условиях требует учитывать меняющиеся ставки межбанковских комиссий, развивающиеся стандарты соответствия требованиям и многоуровневые модели ценообразования. Появление новых способов оплаты ясно показывает: времена, когда управлением услугами для торговых предприятий занимались лишь по мере возникновения проблем, давно прошли. Сегодня компании во всех отраслях регулярно сталкиваются с неожиданными волнами комиссий за обработку платежей, которые им трудно предвидеть, расшифровать или контролировать.

Потенциал и слепые зоны ИИ в платежах для торговых предприятий

На первый взгляд стремительное развитие финансовых технологий сулит облегчение. Инструменты ИИ и автоматизированные решения для аудита теперь позволяют торговым предприятиям лучше контролировать данные о платежах. По данным Gartner, к концу этого года 90% финансовых подразделений внедрят как минимум одно технологическое решение на основе ИИ.

Используя прогностические алгоритмы, торговые предприятия больше не вынуждены полагаться исключительно на традиционный финансовый анализ, цель которого — выяснить, куда ушли деньги, уже после их списания со счета. Вместо этого архитектуры моделей ИИ могут анализировать огромные объемы данных об обработке платежей и заранее выявлять возможные резкие скачки расходов, прежде чем они нанесут серьезный удар по рентабельности.

Однако опора исключительно на ИИ выявляет несколько серьезных слепых зон. ИИ хорошо справляется с анализом сложных, насыщенных информацией текстов, но выписки платежных операторов известны отсутствием единых стандартов. Каждый оператор по-своему кодирует, обозначает и проводит комиссии. Модель машинного обучения может простыми словами описать отдельную строку расходов или рассчитать фактическую эффективную ставку. Но без понимания ситуации на реальном рынке она не сможет сказать торговому предприятию, справедлива ли эта ставка и конкурентоспособна ли она на самом деле.

Использование автономных инструментов ИИ также часто создает ложное чувство безопасности или просто добавляет работы и без того занятым руководителям компаний. ИИ легко может отметить необычную комиссию на панели мониторинга, однако обнаружить списание — лишь малая часть задачи. Чтобы определить, можно ли договориться о снижении комиссии, справиться с возражениями платежного оператора и добиться того, чтобы согласованные скидки сохранялись со временем, нужны глубокая отраслевая экспертиза и активное участие человека — на это ИИ просто не способен.

Как ориентироваться в сложной современной платежной среде

Сегодня торговые предприятия вынуждены разбираться одновременно в сборах платежных систем, моделях ценообразования «межбанковская комиссия плюс надбавка» и дополнительных комиссиях, которые взимают платежные операторы, — в результате возникает непрозрачная система. Этот кризис, затрагивающий всю отрасль и оцениваемый в 198,25 млрд долларов, имеет огромный масштаб и делает такие комиссии одной из крупнейших статей операционных расходов компаний. Главная проблема заключается не столько в огромном количестве комиссий, сколько в принципиальном отсутствии прозрачности и сопоставления с рыночными показателями в реальном времени.

Чтобы выявить этот скрытый уровень расходов, приходится разбирать тысячи меняющихся строк в платежных документах — задача, с которой ручной аудит быстро перестает справляться. Если финансовый директор или бухгалтерская команда не могут точно смоделировать расходы на обработку платежей, компании трудно правильно устанавливать цены на товары или определять надежные нормы рентабельности.

Например, при стандартном соглашении по модели «межбанковская комиссия плюс надбавка» торговые предприятия часто сталкиваются с тем, что транзакции не соответствуют условиям для получения обещанных ставок. Коммерческие карты и карты с программами вознаграждений, используемые в торговых точках, могут относиться к более дорогим категориям таких карт, предусматривающим значительные надбавки в базисных пунктах. Аналогичным образом транзакции без предъявления карты, в которых отсутствуют подробные данные для проверки адреса или своевременная информация о расчетах, могут незаметно переводиться в категории с более высокими затратами. Ситуацию усугубляет то, что платежные операторы регулярно сообщают об изменениях динамических тарифов мелким шрифтом в ежемесячных PDF-выписках, которые легко пропустить при обычной проверке.

Ручной учет в электронных таблицах редко позволяет выявить такие систематические утечки средств, пока не пройдут месяцы. Просто создавать более совершенные таблицы уже недостаточно. ИИ может автоматизировать трудоемкий процесс непрерывного мониторинга, однако торговым предприятиям необходимо сочетать его с целенаправленной экспертизой специалистов и знанием реальной ситуации на рынке, чтобы превратить результаты анализа в фактическое снижение ставок.

Создание прогностических моделей для динамического ценообразования

Добиться снижения расходов помогает преобразование исходных данных об истории транзакций в прогнозы на будущее. Обучая модели прогнозной аналитики на исторических данных об обработке платежей торговых предприятий, организации могут перейти от анализа уже произошедших событий к перспективному управлению расходами. Продвинутые модели способны анализировать исторические потоки транзакций, выявлять небольшие изменения в таблицах межбанковских комиссий платежных систем и отмечать надбавки платежных операторов до того, как те вырастут в огромные годовые расходы.

Однако создание эффективной системы аналитики платежей требует серьезных технических усилий. Эффективность моделей машинного обучения зависит от глубины и качества данных, на которых они основаны. Надежным моделям платежной аналитики нужны не только базовые показатели объема, но и детализированные исходные данные: конкретные коды категорий торговых предприятий, географическое положение и параметры маршрутизации трансграничных платежей, соотношение объемов транзакций с предъявлением карты и без предъявления карты, а также подробные пороговые значения для отнесения транзакций к категориям межбанковских комиссий, установленные такими крупными платежными системами, как Visa и Mastercard.

При надлежащем обучении на больших массивах данных эти прогностические системы способны планировать сложные сценарии. Финансовые руководители могут моделировать, как изменится чистая маржа при повышении ставок межбанковской комиссии платёжных систем на определённую величину, а также оценивать, как сезонный рост доли платежей кредитными картами по сравнению с дебетовыми в период пиковых праздничных распродаж повлияет на чистую выручку.

Ключевое сочетание: точность ИИ и опыт человека

Прогностические технологии обеспечивают беспрецедентную ясность данных, однако наибольшая ценность в управлении комиссиями возникает на стыке точности ИИ и профессиональной защиты интересов бизнеса. Прогностическая модель может рассчитать расходы и выявить резкий рост комиссий, но не может вести переговоры с платёжным процессором. У неё нет налаженных деловых связей, она не может противостоять возражениям процессора, когда тот утверждает, что комиссия является обязательным сбором платёжной системы, и не способна оценить более широкую операционную структуру предприятия, включая интеграцию программного обеспечения, процессы работы с картами, сохранёнными в файле, и настройки терминалов.

Как сообщало Reuters, информационная асимметрия между финансовыми процессорами и торговыми предприятиями исторически ставила владельцев бизнеса в невыгодное положение на переговорах. Современный подход к управлению платежами выравнивает условия благодаря взаимодополняющей двухчастной модели. Прогностический ИИ может взять на себя основную работу по непрерывной обработке данных, анализируя тысячи строк в отчётности и выявляя аномалии и завышенные комиссии, которые остались бы незамеченными для человека.

Затем опытные специалисты могут помочь правильно интерпретировать эти данные. Они сопоставляют фактические эффективные ставки торгового предприятия с реальными отраслевыми рыночными ориентирами, чтобы определить, сколько бизнесу действительно следует платить. Специалисты также должны вести прямые переговоры с действующими процессорами, избавляя компанию от сложностей, связанных со сменой поставщика, и регулярно проводить ежемесячные аудиты, чтобы согласованные ставки сохранялись и со временем не возникал скрытый рост тарифов.

ИИ незаменим при масштабной обработке больших объёмов данных, однако при подготовке соглашений, управлении финансовыми партнёрствами и обеспечении долгосрочного восстановления маржи опыт человека по-прежнему ничем не заменить.

Будущее более разумных платежей для торговых предприятий

Развитие услуг для торговых предприятий будет определяться не ускорением сроков расчётов, а более точной и прозрачной аналитикой транзакций. По мере совершенствования прогностического моделирования и систем машинного обучения торговые предприятия будут получать всё более продвинутые инструменты для выявления скрытых расходов.

Один лишь ИИ не может стать полноценным решением. Успешно защитить долгосрочную маржу смогут те торговые предприятия, которые объединят прозрачность данных, обеспечиваемую ИИ, с целенаправленной поддержкой специалистов. Отказавшись и от полностью автоматизированных инструментов, и от ручных электронных таблиц, торговые предприятия наконец смогут превратить комиссии за платежи из неизбежной непрозрачной статьи расходов в стратегическое, полностью оптимизированное финансовое преимущество.