Pandemien og den tilknyttede økonomiske nød har resulteret i en nylig stigning i Køb-Nu-Betal-Senere (BNPL) købsordningen. Som navnet antyder, er BNPL en form for kortfristede lån, ofte rentefrit, men nogle gange med skjulte omkostninger, der giver forbrugerne mulighed for at foretage indkøb og betale for dem på et fremtidigt tidspunkt. Disse er en form for afbetaling på salgsstedet (eller 'afbetaling' afhængigt af den side af Atlanterhavet, du tilhører) betalingsordninger, der i stigende grad bliver populære muligheder, både i online og offline butikslokaler.
Lad os lære om, hvad BNPL er, hvordan leverandører kan bruge og drage fordel af det, og pasformen af Nanonets i scenen.
Indholdsfortegnelse
- Udviklingen af BNPL
- BNPL's virkemåde
- Brugen af OCR i BNPL-økosystemet
- OCR Udtræk af data fra ustrukturerede dokumenter
- Fordele ved OCR i BNPL-økosystemet
- AI baseret OCR med Nanonets
- Tag væk
Udviklingen af BNPL
At betale for køb på afbetaling er ikke et nyt koncept. Efter sigende udviklet i 1850'erne, går den tidligste tilgængelige registrering af afbetalingsbaserede køb i moderne historie tilbage til 1920'erne. Misforholdet mellem den store produktionskapacitet i fremstillingssektoren og forbrugernes efterspørgsel i depressionsperioden efter 1. verdenskrig resulterede i omfattende brug af afdragsordninger både i USA og andre steder i verden.
Hvis recession og tilhørende sparsommelighed drev afdragsmodellen i 1920'erne, har ordningen fortsat eksisteret gennem århundredet. Før den nylige pandemi-inducerede økonomiske afmatning bidrog afdragsordninger til 1 % af salget i USA alene, drevet dels af økonomiske behov og dels af det moderne livs stil med øjeblikkelig tilfredsstillelse-udskudt betaling.
Køb-Nu-Betal-Senere er simpelthen gammel vin på en ny flaske. Med tredjeparts BNPL-udbydere som Klarna, Affirm osv., der er grænseflader mellem handlende og forbrugere, har denne type betalingsmuligheder vundet indpas i de seneste år. Den seneste pandemi-inducerede økonomiske afmatning har yderligere øget rækkevidden og udbredelsen af denne betalingsform i detailhandelen.
BNPL's virkemåde
For forbrugeren
BNPL bliver i stigende grad brugt både online og offline.
- På onlineplatformen, når kunden vælger sit produkt og forbereder sig på at foretage et onlinekøb, vil hun, hvis markedspladsen har muligheden for BNPL, blive ført til et websted, der giver mulighed for udskudt betaling som vist nedenfor.
- Hvis kunden vælger den rentefrie betaling via BNPL-appen, bliver hun bedt om detaljer, som kan omfatte kredit- og bankoplysninger af BNPL-enableren.
- I offlinebutikken udfylder kunden manuelt en formular med detaljer eller kommunikerer dataene til butikkens medarbejder. Detaljerne bliver derefter indtastet i en digital database af en ekspedient eller kommunikerer mundtligt med en ekspedient, der indtaster dataene i en digital form. I nogle butikker udleveres en tablet/elektronisk pude til kunden, hvori hun udfylder de nødvendige data.
- Detaljerne kontrolleres af forhandleren eller en tredjepartsudbyder for gyldighed og godkendelse.
- Hvis det godkendes, kan der kræves en mindre udbetaling, såsom 25 % af det samlede købsbeløb, med efterfølgende betalinger, der skal betales på et senere angivet tidspunkt i en række rentefrie rater.
- Alle rater kan betales med check eller bankoverførsel; eller automatisk debiteret fra et betalingskort, bankkonto eller kreditkort.
- Forskellen mellem BNPL-betaling og kreditkortbetaling er, at førstnævnte ofte er rentefrit (men ikke altid), og købet betales helt af i den fastsatte periode. På kreditkort kan kreditten forlænges på ubestemt tid, hvor der påløber renter med øgede tider.
For købmanden
Forhandlere, der ønsker at anvende en BNPL-løsning, kan enten selv opsætte et sådant system (købmandsmodel ved hjælp af finanstekniker eller FinTech) eller benytte en tredjeparts BNPL-udbyder (partnermodel).
Købmandsmodellen er ligetil; forretningen indgår en aftale med kunden om at planlægge betalingen af de købte varer over mange rater. Der er muligvis tilføjet en rente til betalingsmetoden, afhængigt af forretningens politikker, værdien af de solgte varer og varigheden af afdraget.
For BNPL-udbyderen
I partnermodellen har en tredjepart grænseflader mellem forretningen og kunden og tilbyder muligheden for ratebetaling. Der er to typer tredjeparts BNPL-løsninger – lån til handelstransaktionsgebyrer og lån med shopperrente:
I forhandlertransaktionsgebyr af typen BNPL bliver kunden ikke opkrævet noget ekstra beløb for at benytte muligheden for BNPL. I stedet bliver forretningen opkrævet et gebyr, der typisk er 2-8 % af købsbeløbet.
I shopperrentelån bliver forretningen ikke opkrævet et gebyr, men kunden betaler renter som en del af deres afdragsordning. Dette svarer til de traditionelle afdragsordninger, der har eksisteret i mere end et århundrede nu.
Partnermodellen fungerer typisk som følger:
- Når kunden vælger købsmuligheden BNPL, er hun forpligtet til at give oplysninger om beløbene for hver rate, den periode, de betales over, og betalingsmåden (kreditkort, betalingskort, bankoverførsel, netbank mv. .).
- Kunden er derefter forpligtet til at give passende oplysninger såsom kreditkortnummer, bankkontonummer osv., hvorved udbyderen kan foretage en kreditkontrol af kunden.
- Når købet er godkendt, anses det for at være gennemført.
- Når købsprocessen er afsluttet ved kundens afslutning, betaler udbyderen det fulde købsbeløb til forretningen, minus eventuelle gebyrer, der er aftalt med forretningen.
- Udbyderen opkræver de resterende rater direkte fra kunden i de forudbestemte tidsperioder.
Brugen af OCR i BNPL-økosystemet
OCR er nyttig i to trin af BNPL-protokollen, nemlig ved dataindtastningstrinnet og på stadiet af KYC-verifikation af BNPL-udbyderen.
I den offline butik, der vælger at bruge BNPL, skal kunden ofte udfylde en formular med detaljer, som skal indtastes på computeren. Ofte er formen sådan her:
De data, som kunden udfylder på formularen, skal manuelt indtastes i et system af en medarbejder i en database. BNPL-softwaren validerer derefter dataene og sender godkendelsesnotatet tilbage til videre behandling. Det svarer til, at kreditkortet bliver swipet, og dataene bliver valideret til godkendelse.
BNPL-tjenesteudbyderen kan også drage stor fordel af brugen af OCR til at kontrollere de vedhæftede KYC-dokumenter såsom ID, bankoplysninger osv. Disse KYC-tjek skal ske i realtid, og automatisk dataudtræk fra de uploadede dokumenter vil hjælpe med det hurtige verifikation af relevante data fra disse dokumenter med kildeoplysninger.
Manuel indtastning af økonomiske data for BNPL-operationer har følgende problemer:
1. Høje fejlrater: Indtastning af rå data, der ikke er efterfulgt af verifikationstrin, har vist sig at have en fejlrate på op til 4 %. For at sætte det i perspektiv er der 2 fejl for hver femte indtastning. Enhver fejl i økonomiske detaljer kan være katastrofale for organisationen og kunden. De høje fejlrater forbundet med manuel dataindtastning kan tilskrives en række forskellige årsager, lige fra utilstrækkelig uddannelse af dataindtastningsprofessionelle til menneskelig træthed, fejlfortolkning af data osv. Ifølge 'Data Quality Assessment' kan fejl opstå som følge af manglende værdier, hvilket igen kan skabe uoverensstemmelser i det ønskede output. Selv den bedste dataindtastningsoperatør er tilbøjelig til at lave fejl, når dataindtastningsopgaven er gentagen og/eller involverer en stor mængde data. Eller virksomhederne skulle outsource dataindtastningen, hvilket igen koster penge.
2. Forsinkelser: Manuel indtastning af data er tidskrævende. En god hastighed for dataindtastning fra papirdokumenter varierer mellem 10,000 og 15,000 tastetryk i timen. Komplekse data, der kræver forståelse, før de indtastes, ville forsinke processen yderligere. Indtastning af 400 dataenheder vil således tage en kompetent operatør mellem 8 og 10 minutter, hvilket bliver uacceptabelt, hvis datamængden er høj.
3. Menneskelig kedsomhed: Processen med manuel dataindtastning er gentagne og kedelige og kan være demoraliserende. Manuel indtastning af data kan således føre til medarbejdernes utilfredshed og en høj omsætningshastighed. Disse er alvorlige problemer i nutidens stærkt konkurrenceprægede erhvervsmiljø.
Det er her OCR-dataekstraktionssoftware kan hjælpe
Optisk tegngenkendelse eller OCR konverterer enhver form for tekst eller information gemt i digitale dokumenter til maskinlæsbare data. Papirkopier og papirdokumenter kan således konverteres til computerlæsbare filformater, egnede til yderligere redigering eller databehandling; lette overgangen til papirløse kontorer.
OCR Udtræk af data fra ustrukturerede dokumenter
En god OCR skal kunne:
- Udtræk strukturerede, dårligt strukturerede og ustrukturerede data.
- Træk data fra flere kilder.
- Eksporter udtrukne data i det ønskede format
- Vær integreret med en software, der formidler data i realtid til FinTech-enableren i erhvervslivet eller tredjeparts BNPL-udbyderen
En ideel måde, hvorpå OCR kan bruges til BNPL-behandling, er, når den er direkte integreret i FinTechs pipeline.
Fordele ved OCR i BNPL-økosystemet
- Forbedring af nøjagtighed og reduktion af menneskelige fejl: Automatisering kan eliminere mange af de menneskelige fejl, der er forårsaget af forglemmelse, træthed eller utilstrækkelig træning.
- Tidsbesparelse: Automatisering er uden tvivl hurtigere end manuel udtrækning af data. Kundens økonomiske data og kreditdata skal overføres til finansteknikeren i realtid, for at købsprocessen kan gennemføres under dette besøg. Automatisk indtastning af data kan fremskynde processen og derved undgå forsinkelser i købsprocessen.
- Bedre kontrol og adgang til data: En centraliseret placering af strukturerede data gør det mere tilgængeligt for alle interessenter og deltagere i virksomheden og muliggør derved sammenhæng i forretningsaktiviteter.
- Omkostningsfordele: Selvom den indledende investering i OCR-automatisering kan være skræmmende, kan omkostningsbesparelserne gennem produktivitetsforbedringer, medarbejdermoral og tidsbesparelser kompensere for opsætningsomkostningerne ved automatiserede dataudtrækssystemer.
- Skalerbarhed: OCR-dataekstraktionssystemer giver mulighed for opskalering af virksomheden uden at bekymre dig om mængden af data, der tilsvarende ville blive skaleret.
AI-baseret OCR med Nanonets
Nanonets er en OCR-software, der udnytter AI & ML-funktioner til automatisk at udtrække ustrukturerede/strukturerede data fra PDF-dokumenter, billeder og scannede filer. I modsætning til traditionelle OCR-løsninger kræver Nanonets ikke separate regler og skabeloner for hver ny dokumenttype.
Baseret på AI-drevet kognitiv intelligens kan Nanonets håndtere semi-strukturerede og endda usete dokumenttyper, mens de forbedres over tid. Nanonets-algoritmen og OCR-modellerne lærer løbende. De kan trænes eller genoptrænes flere gange og er meget tilpasselige. Du kan også tilpasse outputtet til kun at udtrække specifikke tabeller eller dataindtastninger af din interesse.
Nanonets API giver høje hastigheder og stor nøjagtighed i linjepostudtræk af data og driver automatisering til linjepoststyring. Nanonets API kan udføre følgende opgaver:
- Nøjagtig registrering af tabelstrukturen for en linjepost, der indeholder dokumenter som formularer.
- Alle linjepostposter, der er til stede i formerne som navn, produkt, pris, totalsum, rabatter osv.
- Dataene kan udtrækkes som JSON-output, der kan gøre det muligt at bygge tilpassede apps og platforme.
Selvom softwaren tilbyder en fantastisk API og dokumentation til udviklere, er den også ideel til organisationer uden et internt team af udviklere.
Fordelene ved at bruge Nanonets frem for anden automatiseret OCR-software rækker langt ud over omkostningsbesparelser, nøjagtighed og skalering. Nanonets giver desuden unikke fordele, der placerer det langt foran konkurrenterne:
- Et virkelig kodefrit værktøj
- Nem integration af Nanonets med de fleste CRM-, ERP-, indholdstjenester eller RPA-software.
- Ingen efterbehandling nødvendig: Nanonets OCR kan genkende håndskrevet tekst, billeder af tekst på flere sprog på én gang, billeder med lav opløsning, billeder med nye eller kursive skrifttyper og varierende størrelser, billeder med skyggetekst, skrå tekst, tilfældig ustruktureret tekst, billede støj, slørede billeder og meget mere.
- Arbejder med brugerdefinerede data gennem brug af brugerdefinerede data til træning af OCR-modeller.
- Multiple input-genkendelse: Nanonets OCR kan genkende håndskrevet tekst, billeder af tekst på flere sprog på én gang, billeder med lav opløsning, billeder med nye eller kursive skrifttyper og varierende størrelser, billeder med skyggefuld tekst, skrå tekst, tilfældig ustruktureret tekst, billedstøj, slørede billeder og flere sprog
- Uafhængighed af formater: Nanonets er slet ikke bundet af skabelonen for dokumenter. Du kan fange data kognitivt i tabeller eller linjeposter eller et hvilket som helst andet format!
Tag væk
Forbrugerlandskabet har ændret sig enormt i de sidste 20 år, især i de sidste to år med pandemi-inducerede nedlukninger og økonomiske nedture. Fra et område, der engang var afhængigt af kontantkøb til et område, der nu fuldt ud omfavner digitalisering af transaktioner, gennemgår markedspladsen en transformation, der gør det muligt for den at udnytte teknologi og nye innovationer til deres fulde potentiale. BNPL-tilgangen er det næste logiske trin i udviklingen af detailhandelen. Brugen af OCR i BNPL-workflowet kommer med overbevisende fordele såsom tids- og omkostningsbesparelser, strømlinet godkendelsesproces og i sidste ende bedre adoption af handlende
- &
- 000
- 20 år
- Om
- adgang
- Ifølge
- Konto
- tværs
- aktiviteter
- Vedtagelse
- reklame
- Aftale
- AI
- algoritme
- Alle
- tillade
- beløb
- beløb
- api
- app
- tilgang
- apps
- Automatiseret
- Automation
- til rådighed
- Bank
- bankkonto
- bankoverførsel
- Bank
- være
- fordele
- BEDSTE
- Sort
- Bygning
- virksomhed
- købe
- Købe
- kapaciteter
- Kapacitet
- Kort
- Kontanter
- opladet
- kontrol
- Kontrol
- kognitive
- Virksomheder
- overbevisende
- konkurrence
- komplekse
- Konceptet
- forbruger
- Forbrugere
- indhold
- bidrog
- kontrol
- Omkostninger
- kunne
- kredit
- kreditkort
- Kreditkort
- data
- databehandling
- Database
- Datoer
- Debit kort
- forsinkelse
- forsinkelser
- Efterspørgsel
- depression
- Detektion
- udviklet
- udviklere
- digital
- digitalisering
- dokumenter
- ned
- drevet
- Tidligt
- Økonomisk
- Økonomiske afmatning
- eliminere
- indtastet
- Går ind i
- Miljø
- evolution
- hurtigere
- Gebyrer
- finansiere
- finansielle
- finansielle data
- fintech
- passer
- flow
- efter
- formular
- formularer
- fuld
- fremtiden
- gå
- godt
- varer
- stor
- hjælpe
- Høj
- stærkt
- historie
- Hvordan
- HTTPS
- billede
- omfatter
- øget
- oplysninger
- integreret
- integration
- Intelligens
- interesse
- investering
- IT
- Klarna
- KYC
- landskab
- Sprog
- stor
- føre
- LÆR
- Udnytter
- Line (linje)
- Lån
- placering
- lockdowns
- leder
- Making
- ledelse
- Mantra
- manuel
- manuelt
- Produktion
- markedsplads
- Merchant
- Merchants
- ML
- model
- modeller
- penge
- mest
- Støj
- nummer
- ocean
- tilbyde
- tilbyde
- Tilbud
- online
- netbank
- Produktion
- Option
- Indstillinger
- organisation
- organisationer
- Andet
- betalt
- pandemi
- Papir
- deltagere
- partner
- Betal
- betaling
- betalinger
- perioder
- perspektiv
- perron
- Platforme
- politikker
- Populær
- præsentere
- pris
- problemer
- behandle
- Produkt
- produktion
- produktivitet
- professionelle partnere
- protokol
- give
- giver
- køb
- købt
- indkøb
- kvalitet
- priser
- Raw
- realtid
- årsager
- recession
- genkende
- optage
- kræver
- påkrævet
- detail
- rpa
- regler
- salg
- Scale
- skalering
- Ordningen
- sektor
- Series
- tjeneste
- Tjenester
- sæt
- indstilling
- lignende
- websted
- lille
- Software
- solgt
- Løsninger
- noget
- Space
- rum
- spredes
- Stage
- bestand
- butik
- forhandler
- stil
- systemet
- Systemer
- opgaver
- hold
- Teknologier
- verdenen
- tredjepart
- Gennem
- tid
- tidskrævende
- traditionelle
- Kurser
- transaktion
- Transaktioner
- Transformation
- enestående
- us
- brug
- værdi
- leverandører
- Verifikation
- bind
- Hvad
- WHO
- uden
- virker
- world
- år