DEBATT: Derfor bør telekom satse på kunstig intelligens og maskinlæring
Flere i telekombransjen sliter med å inndrive forfalte betalinger på en effektiv måte. Inndrivingskostnadene øker eller holder seg stabile. Noe som er lite heldig for marginene. Utfordringer som kan løses med analyser, maskinlæring og kunstig intelligens.
Det å holde kostnadsfokus og samtidig ivareta gode kunderelasjoner er ikke nødvendigvis enkelt. Det fordrer i det minste at løsninger for å administrere innkrevingsprosessen både er nøyaktige og rettferdige. Spesielt i en verden som står foran en svært uforutsigbar økonomi. En situasjon som uunngåelig vil øke antallet betalingsforsinkelser.
Alle teleselskaper bør derfor stille seg tre spørsmål i forbindelse med inndrivelsesprosessen. Hvordan gjøre det enkelt for kunden å betale, hvordan holde oversikt over kundene og deres situasjon og hvilke tiltak bør og kan iverksettes for en rettferdig og effektiv prosess? Det enkle svaret på spørsmålene er analyse, kunstig intelligens og maskinlæring.
Økning i inndrivelser
Experian sin undersøkelse "Priorities, challenges and the role of data and analytics as an accelerator of strategy" viser at 50 prosent av telekomselskapene i fjor så en økning i antallet inndrivelsessaker. 43 prosent sier kostandene i forbindelse med inndrivelse har økt, mens 36 prosent sier kostnadene holder seg konstant. Når nesten fire av fem opplever en kostnadsskvis, har bransjen et problem som påvirker hele bunnlinja.
Ved å raskt samle og revidere data, kan adferd enklere forutsees for å forstå når betalingsproblemer kan oppstå.
Ettersom kravene blir flere, mer komplekse og mindre forutsigbare, bør bransjen bruke penger på en såkalt avrundet løsning. På samme måte som det brukes ressurser på å digitalisere kundeopplevelsen og redusere svindel. Undersøkelsen viser også at budsjetter for inndrivelse og såkalt dårlig gjeld ikke øker. Faktisk sier elleve prosent at det er redusert. Noe som kan tyde på at løsninger som forbedrer prosessen, som automatisering, analyse og maskinlæring, ikke prioriteres.
Avansert analyse og maskinlæring gir bedrifter et tydeligere kundebilde for å forenkle inndrivningsprosessen. Ved å raskt samle og revidere data, kan adferd enklere forutsees for å forstå når betalingsproblemer kan oppstå. Noe som igjen gjør det enklere å ta kvalifiserte beslutninger fra sak til sak i form av betalingsplaner tilpasset den enkelte kunde. Resultatet er at kunden får en mer personlig opplevelse og en følelse av at de behandles rettferdig når det skal skilles mellom en glemt betaling og regelmessige tapte betalinger.
Langvarige prosesser
Å frigjøre kraften til data og analyser er et avgjørende skritt på den digitale transformasjonsreisen som mange er på akkurat nå.
Telekombransjen kan ikke satse på langvarige prosesser og uforutsigbare systemer for å håndtere denne utfordringen. Det er dyrt og kan påvirke markedsposisjonen. Å frigjøre kraften til data og analyser er et avgjørende skritt på den digitale transformasjonsreisen som mange er på akkurat nå. Det gjør det enklere å ta smarte beslutninger allerede i innledende risikovurderinger. Inkasso basert på analyser og maskinlæring er veien mot en mer proaktiv og produktiv fremtid.
Ved å raskt samle inn og revidere datamasser kan adferd forutses for å forstå når betalingsproblematikk kan oppstå. Det blir enklere å ta kvalifiserte beslutninger om passende handling fra sak til sak. For kunden betyr det en økt følelse av rettferdig behandling basert på deres situasjon – og som på sikt skaper langsiktige kundeforhold.
