Hvordan Indonesiens BNPL-gigant udnytter datavidenskab til at drive innovation

Datavidenskab og maskinlæring er nogle af de mest komplekse, men vigtige forretningskoncepter i dag. Og mange virksomheder, uanset deres niche, er afhængige af, at de leverer en bedre brugeroplevelse til deres kunder.

Men hvilken rolle spiller datavidenskab og maskinlæring i udviklingen af ​​innovative finansielle systemer, især i lande som Indonesien?

Manglen på kredithistorikdata kombineret med den betydelige brug af mobiltelefoner i Indonesien repræsenterer et godt sted for fintech-virksomheder til at levere avancerede brugervenlige økonomiske forbrugerløsninger.

I denne episode af Data Point of View talte Laurie Hood, Chief Marketing Officer hos Mobilewalla med Joel Samuel, VP, Head of Machine Learning Engineer, hos FinAccel, moderselskabet for Indonesian Buy Now, Pay Later (BNPL) platformen Kredivo.

De diskuterede vigtigheden af ​​maskinlæring og datavidenskab for at nå forretningsmål og levere en bedre brugeroplevelse, udfordringerne med at finde datavidenskabsspecialister, fintech- og e-handelsudvikling i Sydøstasien og essensen af ​​at starte i det små.

Nøgleindsigter fra podcasten

Der er to hovedårsager til at tilbyde bedre løsninger i Indonesien

Joel og FinAccel sigter mod at levere bedre fintech-løsninger til det indonesiske marked af to grunde.

"Den første er den lave udbredelse af kreditkort i Indonesien. Der er kun 17 millioner kreditkort sammenlignet med vores befolkning, hvilket er omkring 250 millioner i dag. Så der er kun 0.07 kreditkort pr. Det er virkelig lavt. Den anden er den høje udbredelse af mobiltelefoner.

I øjeblikket har Indonesien mere end 119 millioner mobiltelefoner. Det er næsten 0.8 mobiltelefoner pr. Så det er et sødt sted. Du har en mobiltelefon, men du har ikke et kreditkort.”

Vi tror på 'fejl hurtigt og lær hurtigt'.

Joel og hans team er overbevist om, at projekter skal udføres lidt efter lidt. På den måde, selvom du fejler, har du mulighed for hurtigt at lære af din fejl.

"Vi kan se, om der er noget galt med den model, som vi satte i produktion. Vi tror også virkelig på 'fejl hurtigt og lær hurtigt'.

Vi presser altid produktionen lidt efter lidt for at se effekten og effekten af ​​modellen. Så vi starter med de enkle ting og de små ting.”

Ifølge Joel,

"E-handel blomstrer i Indonesien, og landet har tre eller fire "enhjørninger", der startede baseret på e-handel. En af udfordringerne med e-handel, ikke kun i Indonesien, men over hele verden, er at opgive vogne.

Og det spørgsmål handler mere om betalingsmulighederne eller betalingskanalerne. De fleste mennesker forlader vognen, fordi de har bøvl med betalingen – det er FinAccels søde sted.”

Med hensyn til seniorledelsens syn på datavidenskab, delte Joel, at "siden begyndelsen har vi haft buy-in fra topniveau i den tankegang, at hvis vi ønsker at forstyrre den bedste spiller på markedet, som banken eller den multifinansieringsvirksomhed, der allerede er der, er den eneste ting, vi kan gøre, at indføre datavidenskabsmetodologi.

Han forklarede, at de løser problemet på en bedre måde, fordi virksomhedens øverste ledelse mener, at datavidenskab er en stor mulighed.

"Men selvom vi allerede har defineret vores mål eller det initiativ, der er kommet fra topledelsen, skal vi bevise, at vi kan levere det initiativ eller buy-in fra den allerførste enhed."

En udfordring for datavidenskabsteams er at opbygge organisatorisk tillid. Hos FinAccel havde teamet regelmæssige møder med COO og CEO i de første to år, hvor teamet var på plads for at præsentere deres resultater.

De har også et godt overvågnings-workflow og rammer, så de hurtigt kan få øje på, om der er noget galt med en model, der blev skubbet til produktion.

Joel og hans team har opbygget tillid ved at starte med et lille problem, gå hurtigt til produktion og derefter se resultaterne hurtigt.

På denne måde kan ledelsen med det samme se virkningen af ​​deres datavidenskabelige tilgang.

Se Mobilewallas Data Point of View-podcast med Laurie Hood og Joel Samuel link..