AI dự báo và chuyên môn con người đang cách mạng hóa việc quản lý phí của đơn vị chấp nhận thanh toán

Trong hai thập kỷ qua, ngành thanh toán đã phát triển thành một mạng lưới phức tạp, có tính kỹ thuật cao với nhiều thành phần vận động và các bộ quy tắc luôn biến đổi. Cơ cấu phí của đơn vị chấp nhận thanh toán không còn là khoản chi phí kinh doanh có thể dự đoán, mà đã trở thành một biến số đầy biến động, có thể âm thầm bào mòn lợi nhuận cuối cùng của doanh nghiệp.

Quản lý phí hiện đại đòi hỏi phải ứng phó với mức phí trao đổi liên ngân hàng luôn thay đổi, các tiêu chuẩn tuân thủ liên tục phát triển và những mô hình định giá nhiều tầng. Khi xét đến các phương thức thanh toán mới nổi, rõ ràng thời kỳ quản lý dịch vụ thanh toán cho đơn vị chấp nhận theo kiểu phản ứng thụ động đã qua từ lâu. Doanh nghiệp trong mọi lĩnh vực hiện thường xuyên phải đối mặt với những đợt phí xử lý phát sinh bất ngờ, mà họ khó dự đoán, phân tích hay kiểm soát.

Lợi ích và những điểm mù của AI trong thanh toán cho đơn vị chấp nhận

Thoạt nhìn, những tiến bộ nhanh chóng trong lĩnh vực công nghệ tài chính hứa hẹn sẽ giúp giảm bớt gánh nặng. Các công cụ AI và giải pháp kiểm toán tự động hiện cho phép đơn vị chấp nhận thanh toán kiểm soát dữ liệu thanh toán chặt chẽ hơn. Theo Gartner, đến cuối năm nay, 90% bộ phận tài chính sẽ triển khai ít nhất một giải pháp công nghệ tích hợp AI.

Nhờ tận dụng các thuật toán dự báo, đơn vị chấp nhận thanh toán không còn buộc phải chỉ dựa vào kế toán điều tra truyền thống—cách làm lâu nay vốn tập trung tìm hiểu khoản thất thoát tài chính xảy ra ở đâu sau khi tiền đã rời khỏi tài khoản. Thay vào đó, các kiến trúc mô hình AI có thể phân tích khối lượng dữ liệu xử lý thanh toán khổng lồ để chủ động xác định những đợt tăng chi phí tiềm ẩn trước khi chúng giáng đòn nặng nề vào biên lợi nhuận.

Tuy nhiên, chỉ dựa vào cách tiếp cận ứng dụng AI sẽ bộc lộ một số điểm mù nghiêm trọng. AI có khả năng phân tích văn bản phức tạp, dày đặc thông tin, nhưng các bản sao kê của đơn vị xử lý thanh toán nổi tiếng là thiếu chuẩn hóa. Mỗi đơn vị xử lý mã hóa, ghi nhãn và chuyển tiếp phí theo một cách khác nhau. Mô hình học máy có thể diễn giải một khoản mục bằng ngôn ngữ đơn giản hoặc tính tỷ lệ phí thực tế chưa điều chỉnh. Thế nhưng, nếu không có bối cảnh thực tế của thị trường, mô hình không thể cho đơn vị chấp nhận thanh toán biết mức phí đó có thực sự hợp lý hay cạnh tranh hay không.

Việc chỉ dựa vào các công cụ AI độc lập thường còn tạo ra cảm giác an toàn sai lầm, hoặc đơn giản là khiến các nhà quản lý doanh nghiệp vốn đã bận rộn phải làm thêm việc. AI có thể dễ dàng đánh dấu một khoản phí bất thường trên bảng điều khiển, nhưng phát hiện khoản phí đó mới chỉ giải quyết được một phần nhỏ vấn đề. Muốn xác định khoản phí ấy có thể thương lượng hay không, ứng phó với sự chống đối từ đơn vị xử lý thanh toán và bảo đảm các khoản giảm phí đã thương lượng được duy trì theo thời gian, cần có chuyên môn sâu trong lĩnh vực cùng sự can thiệp chủ động của con người—những năng lực mà AI đơn thuần không thể mang lại.

Ứng phó với sự phức tạp của thanh toán hiện đại

Hiện nay, các đơn vị chấp nhận thanh toán buộc phải xoay xở với các khoản phí đánh giá do thương hiệu thẻ áp dụng, mô hình định giá cộng phí trao đổi liên ngân hàng và các khoản phí phụ trợ do đơn vị xử lý thanh toán cộng thêm, tạo nên một hệ sinh thái thiếu minh bạch. Cuộc khủng hoảng trên toàn ngành trị giá 198,25 tỷ USD này có quy mô khổng lồ, khiến phí xử lý thanh toán trở thành một trong những khoản chi phí vận hành lớn nhất của doanh nghiệp. Vấn đề cốt lõi không nằm ở số lượng phí khổng lồ, mà chủ yếu ở việc thiếu khả năng quan sát và đối sánh theo thời gian thực.

Muốn phát hiện tầng chi phí ẩn này, cần rà soát hàng nghìn khoản mục biến động—một công việc mà các cuộc kiểm toán thủ công nhanh chóng không thể xử lý xuể. Nếu giám đốc tài chính hoặc đội ngũ kế toán không thể mô hình hóa chính xác chi phí xử lý thanh toán, doanh nghiệp sẽ khó định giá sản phẩm chính xác hoặc thiết lập biên lợi nhuận đáng tin cậy.

Chẳng hạn, theo thỏa thuận tiêu chuẩn về phí trao đổi liên ngân hàng cộng phí xử lý, các giao dịch của đơn vị chấp nhận thanh toán thường không đủ điều kiện hưởng mức phí đã cam kết. Thẻ doanh nghiệp và thẻ tích điểm được sử dụng tại các điểm bán lẻ có thể bị xếp vào các hạng thưởng cao hơn, kèm theo mức phụ phí đáng kể tính bằng điểm cơ bản. Tương tự, các giao dịch không xuất trình thẻ thiếu thông tin xác minh địa chỉ chi tiết hoặc dữ liệu quyết toán kịp thời có thể âm thầm bị xếp xuống các nhóm đủ điều kiện có chi phí cao hơn. Tệ hơn nữa, các đơn vị xử lý thanh toán thường xuyên thông báo điều chỉnh giá linh động trong phần chữ nhỏ của sao kê PDF hằng tháng, khiến những thay đổi này dễ bị bỏ sót trong các đợt rà soát định kỳ.

Việc theo dõi thủ công bằng bảng tính hiếm khi phát hiện được những khoản thất thoát mang tính hệ thống cho đến vài tháng sau. Tạo bảng tính tốt hơn không còn là giải pháp đủ sức đáp ứng. Dù AI có thể tự động hóa phần lớn công việc giám sát liên tục, các đơn vị chấp nhận thanh toán vẫn phải kết hợp AI với chuyên môn chuyên sâu của con người và hiểu biết thực tế về thị trường để chuyển những phân tích đó thành mức phí thực sự thấp hơn.

Xây dựng mô hình dự báo cho định giá linh hoạt

Để đạt được những mức giảm phí đó, trước tiên cần chuyển đổi dữ liệu lịch sử giao dịch thô thành thông tin dự báo tương lai. Bằng cách huấn luyện các mô hình phân tích dự báo trên dữ liệu xử lý thanh toán trong quá khứ của đơn vị chấp nhận, các tổ chức có thể chuyển từ báo cáo hồi cứu sang quản lý chi phí hướng tới tương lai. Các mô hình tiên tiến có thể phân tích luồng giao dịch trong quá khứ, phát hiện những thay đổi nhỏ trong bảng phí trao đổi liên ngân hàng của các thương hiệu thẻ và cảnh báo mức cộng phí của đơn vị xử lý trước khi các khoản này tích tụ thành chi phí thường niên khổng lồ.

Tuy nhiên, việc xây dựng một hệ thống phân tích thanh toán hiệu quả đòi hỏi năng lực kỹ thuật cao. Hiệu quả của các mô hình học máy chỉ có thể cao tương ứng với độ sâu và chất lượng của dữ liệu nền. Ngoài các chỉ số khối lượng cơ bản, các mô hình thanh toán mạnh cần những dữ liệu đầu vào chi tiết như Mã ngành hàng của đơn vị chấp nhận thanh toán (MCC) cụ thể, vị trí địa lý và các yếu tố định tuyến giao dịch xuyên biên giới, tỷ lệ giao dịch có xuất trình thẻ so với giao dịch không xuất trình thẻ, cùng các ngưỡng chi tiết để giao dịch đủ điều kiện hưởng mức phí trao đổi liên ngân hàng, theo quy định của những mạng lưới thẻ lớn như Visa và Mastercard.

Khi được huấn luyện đúng cách trên các tập dữ liệu có dung lượng lớn, những hệ thống dự báo này có thể lập kế hoạch cho các kịch bản phức tạp. Lãnh đạo bộ phận tài chính có thể mô phỏng mức biên lợi nhuận ròng sẽ thay đổi ra sao nếu các mạng lưới thẻ tăng phí trao đổi liên ngân hàng thêm một mức cụ thể, hoặc doanh thu ròng sẽ bị ảnh hưởng thế nào khi vào mùa cao điểm mua sắm dịp lễ, khách hàng chuyển từ dùng thẻ ghi nợ sang thẻ tín dụng theo xu hướng mùa vụ.

Giao điểm then chốt: Độ chính xác của AI và chuyên môn con người

Dù công nghệ dự báo mang lại khả năng phân tích dữ liệu rõ ràng vượt trội, giá trị cốt lõi trong quản lý phí nằm ở sự kết hợp giữa độ chính xác của AI và năng lực đại diện, bảo vệ quyền lợi của các chuyên gia. Mô hình dự báo có thể tính toán chi phí và cảnh báo các khoản phí tăng đột biến, nhưng không thể đàm phán với đơn vị xử lý thanh toán. Mô hình cũng không có các mối quan hệ trong ngành, không thể ứng phó khi đơn vị xử lý phản đối những khẳng định rằng một khoản phí là phí mạng lưới không thể thương lượng, và không thể đánh giá toàn bộ khuôn khổ vận hành rộng hơn của doanh nghiệp, chẳng hạn như các tích hợp phần mềm, quy trình xử lý thẻ được lưu trữ để thanh toán về sau hoặc cấu hình thiết bị đầu cuối.

Theo Reuters, tình trạng bất cân xứng thông tin giữa các đơn vị xử lý thanh toán và đơn vị chấp nhận thanh toán từ lâu đã khiến chủ doanh nghiệp gặp bất lợi khi đàm phán. Các phương thức quản lý thanh toán hiện đại giúp cân bằng lợi thế thông qua khuôn khổ gồm hai phần bổ trợ cho nhau. AI dự báo có thể đảm nhận phần lớn công việc xử lý dữ liệu liên tục, rà soát hàng nghìn khoản mục để phát hiện những điểm bất thường và khoản thu quá mức mà con người có thể bỏ sót.

Sau đó, các chuyên gia đại diện và bảo vệ quyền lợi giàu kinh nghiệm có thể đưa dữ liệu ấy vào đúng bối cảnh. Họ so sánh tỷ lệ phí thực tế ròng của đơn vị chấp nhận thanh toán với các chuẩn đối chiếu thị trường thực tế dành riêng cho từng ngành để xác định mức phí doanh nghiệp thực sự nên trả. Các chuyên gia cũng nên trực tiếp đàm phán với những đơn vị xử lý hiện tại, tránh những phiền phức khi chuyển sang nhà cung cấp khác, đồng thời tiến hành kiểm toán hằng tháng liên tục để bảo đảm các mức phí đã thương lượng được duy trì theo thời gian, không bị âm thầm tăng dần.

AI vô cùng hữu ích trong việc xử lý dữ liệu khối lượng lớn trên quy mô rộng, nhưng khi cần xây dựng thỏa thuận, quản lý quan hệ đối tác tài chính và bảo đảm biên lợi nhuận được cải thiện bền vững, chuyên môn của con người vẫn không thể thay thế.

Tương lai của thanh toán cho đơn vị chấp nhận thanh toán thông minh hơn

Sự phát triển của các dịch vụ dành cho đơn vị chấp nhận thanh toán sẽ không được định hình bởi tốc độ quyết toán nhanh hơn, mà bởi khả năng phân tích giao dịch thông minh hơn và minh bạch hơn. Khi mô hình dự báo ngày càng hoàn thiện cùng với các khuôn khổ học máy, đơn vị chấp nhận thanh toán sẽ có được những công cụ ngày càng tinh vi để làm sáng tỏ các chi phí ẩn.

Chỉ riêng AI không thể tạo nên một giải pháp hoàn chỉnh. Những đơn vị chấp nhận thanh toán bảo vệ được biên lợi nhuận dài hạn sẽ là những đơn vị kết hợp khả năng hiển thị dữ liệu nhờ AI với sự hỗ trợ chuyên trách từ con người. Bằng cách từ bỏ cả hai thái cực—công cụ hoàn toàn tự động ở một bên và bảng tính thủ công ở bên kia—các đơn vị chấp nhận thanh toán cuối cùng có thể biến phí thanh toán từ một khoản chi khó hiểu, không thể tránh khỏi thành lợi thế tài chính mang tính chiến lược và được tối ưu hóa toàn diện.