Så revolutionerar prediktiv AI och mänsklig expertis hanteringen av handlaravgifter

Under de senaste två decennierna har betalningsbranschen vuxit till ett komplext, tekniskt avancerat nätverk av rörliga delar och dynamiska regelverk. Handlarnas avgiftsstrukturer är inte längre en förutsägbar kostnad för att bedriva verksamhet, utan en föränderlig faktor som i det tysta kan urholka ett företags resultat.

Modern avgiftshantering kräver att man navigerar bland skiftande interchangeavgifter, föränderliga efterlevnadsstandarder och prissättningsmodeller i flera nivåer. När man beaktar nya betalningsmetoder står det klart att tiden då man kunde hantera handlartjänster reaktivt sedan länge är förbi. Företag i alla branscher drabbas numera regelbundet av oväntade vågor av transaktionsavgifter som de har svårt att förutse, förstå eller kontrollera.

AI:s möjligheter och blinda fläckar inom betalningar för handlare

Vid första anblicken utlovar fintechbranschens snabba utveckling en lättnad. AI-verktyg och automatiserade granskningslösningar gör det nu möjligt för handlare att få bättre kontroll över sina betalningsdata. Enligt Gartner kommer 90 % av ekonomifunktionerna att använda minst en AI-baserad teknisk lösning före årets slut.

Genom att använda prediktiva algoritmer behöver handlare inte längre förlita sig enbart på traditionell forensisk redovisning, den historiska metoden att utreda var ekonomiska läckage uppstod efter att pengarna lämnat kontot. AI-modeller kan i stället analysera stora mängder data om betalningshantering för att proaktivt upptäcka möjliga kostnadstoppar innan de slår hårt mot vinstmarginalerna.

Att enbart förlita sig på AI-drivna metoder blottlägger dock flera kritiska blinda fläckar. AI är bra på att tolka komplexa och informationstäta texter, men kontoutdrag från betalningsförmedlare är ökänt ostandardiserade. Varje förmedlare kodar, benämner och vidaredebiterar avgifter på olika sätt. En maskininlärningsmodell kan beskriva en enskild post på klarspråk eller beräkna en faktisk effektiv avgiftssats. Men utan insikt i marknadens verkliga förhållanden kan den inte avgöra om avgiftssatsen faktiskt är rimlig eller konkurrenskraftig.

Att förlita sig på fristående AI-verktyg skapar dessutom ofta en falsk trygghetskänsla eller ger upptagna företagsledare ännu mer att göra. AI kan enkelt markera en avvikande avgift i en kontrollpanel, men att identifiera avgiften är bara en liten del av arbetet. Att avgöra om avgiften går att förhandla om, hantera motstånd från betalningsförmedlaren och se till att de förhandlade sänkningarna består över tid kräver djup ämneskompetens och aktiv mänsklig insats – förmågor som AI helt enkelt inte kan erbjuda.

Att navigera i dagens komplexa betalningslandskap

Handlare tvingas för närvarande hantera avgifter från kortvarumärken, prissättningsmodeller baserade på interchangeavgifter plus påslag och tilläggsavgifter från betalningsförmedlare, vilket skapar ett svåröverskådligt ekosystem. Denna branschomfattande kris på 198,25 miljarder dollar är enorm och gör den till en av företagens största driftskostnader. Grundproblemet är inte den stora mängden avgifter i sig, utan framför allt den grundläggande bristen på insyn och jämförelser med marknadsdata i realtid.

Att hitta detta dolda kostnadslager kräver att man går igenom tusentals föränderliga transaktionsposter, en uppgift där manuella granskningar snabbt går bet. Om en ekonomichef eller redovisningsavdelning inte kan beräkna kostnaderna för betalningshantering korrekt får företaget svårt att prissätta sina produkter rätt eller fastställa tillförlitliga marginaler.

Med ett standardavtal baserat på interchangeavgifter plus påslag hamnar handlare ofta i den situationen att transaktioner inte kvalificerar sig för de utlovade avgifterna. Företagskort och bonuskort som används i butiker kan placeras i högre bonusnivåer med betydande påslag uttryckta i baspunkter. På liknande sätt kan transaktioner där kortet inte är närvarande, och som saknar detaljerad adressverifiering eller snabb information om avräkning, i det tysta flyttas till dyrare kvalificeringskategorier. Saken förvärras av att betalningsförmedlare regelbundet aviserar justeringar av rörliga priser i det finstilta i månatliga PDF-utdrag, där de lätt förbises vid rutinmässiga granskningar.

Manuell uppföljning i kalkylblad upptäcker sällan dessa systematiska kostnadsläckage förrän flera månader senare. Det räcker inte längre att skapa bättre kalkylblad. AI kan automatisera det omfattande arbetet med kontinuerlig övervakning, men handlare måste kombinera AI med särskild mänsklig expertis och verkliga marknadsinsikter för att omvandla analyserna till faktiska avgiftssänkningar.

Att bygga prediktiva modeller för dynamisk prissättning

För att uppnå sådana sänkningar måste man börja med att omvandla rå transaktionshistorik till framåtblickande beslutsunderlag. Genom att träna prediktiva analysmodeller på historiska data om handlares betalningshantering kan organisationer gå från rapportering i efterhand till framåtblickande kostnadshantering. Avancerade modeller kan analysera historiska transaktionsflöden, identifiera små förändringar i kortnätverkens interchange-tabeller och flagga betalningsförmedlarnas påslag innan de växer till enorma årskostnader.

Det är dock tekniskt krävande att bygga en effektiv analysmotor för betalningar. Maskininlärningsmodeller är bara så effektiva som djupet och kvaliteten på de data de bygger på. Utöver grundläggande volymmått behöver robusta betalningsmodeller detaljerade indata, till exempel specifika branschkategorikoder (Merchant Category Codes), geografisk plats och faktorer för gränsöverskridande routning, fördelningen mellan transaktioner där kortet är närvarande respektive inte närvarande samt detaljerade tröskelvärden för interchangekvalificering enligt definitionen från stora kortnätverk som Visa och Mastercard.

När de tränas på stora datamängder kan de här prediktiva systemen utföra avancerad scenarioplanering. Ekonomichefer kan simulera hur nettomarginalerna skulle påverkas om kortnätverkens interchangeavgifter höjs med en viss procentsats, eller hur en säsongsbetingad övergång från debetkort till kreditkort under julhandelns högsäsong påverkar nettointäkterna.

Den avgörande kombinationen av AI-precision och mänsklig expertis

Prediktiv teknik ger en enastående tydlig bild av data, men det verkliga värdet i avgiftshanteringen uppstår när AI:s precision kombineras med kunniga mänskliga företrädare. En prediktiv modell kan beräkna kostnader och flagga för plötsliga avgiftsökningar, men den kan inte förhandla med en betalningsförmedlare. Den har inga etablerade kontakter, kan inte bemöta invändningar från betalningsförmedlaren när denne hävdar att en avgift är en icke förhandlingsbar nätverksavgift och kan inte granska ett företags övergripande operativa struktur, till exempel programvaruintegrationer, arbetsflöden för kortuppgifter som sparas för framtida köp eller terminalkonfigurationer.

Som Reuters har rapporterat har informationsasymmetrin mellan finansiella betalningsförmedlare och handlare historiskt sett försatt företagare i ett underläge vid förhandlingar. Modern betalningshantering jämnar ut spelplanen med en kompletterande modell i två delar. Prediktiv AI kan sköta det omfattande arbetet med kontinuerlig databearbetning och granska tusentals poster för att upptäcka avvikelser och överdebiteringar som människor skulle missa.

Därefter kan erfarna mänskliga företrädare sätta uppgifterna i sitt sammanhang. De jämför handlarens nettoeffektiva avgifter med marknadsriktmärken från verkligheten som är specifika för branschen, för att fastställa vad företaget faktiskt borde betala. Mänskliga experter bör också sköta de direkta förhandlingarna med befintliga betalningsförmedlare, så att besväret med att byta leverantör undviks, och genomföra löpande månatliga granskningar för att säkerställa att de förhandlade avgifterna gäller över tid utan dolda avgiftshöjningar.

AI är ovärderlig när stora datamängder ska bearbetas i stor skala, men när det gäller att utforma avtal, hantera finansiella partnerskap och säkra varaktig återhämtning av marginalerna är mänsklig expertis fortfarande oersättlig.

Framtiden för smartare betalningar för handlare

Utvecklingen av betaltjänster för handlare kommer inte att definieras av snabbare avvecklingstider, utan av smartare och mer transparent transaktionsinformation. I takt med att prediktiv modellering utvecklas tillsammans med ramverk för maskininlärning får handlare allt mer avancerade verktyg för att synliggöra dolda kostnader.

AI är inte en komplett lösning på egen hand. De handlare som lyckas skydda sina långsiktiga marginaler kommer att vara de som kombinerar AI-baserad insyn i data med dedikerat mänskligt stöd. Genom att lämna både helt automatiserade verktyg och manuella kalkylblad bakom sig kan handlare äntligen omvandla betalningsavgifter från en oundviklig svart låda till en strategisk, fullt optimerad ekonomisk fördel.