Wie der indonesische BNPL-Riese Data Science nutzt, um Innovationen voranzutreiben

Datenwissenschaft und maschinelles Lernen gehören heute zu den komplexesten und dennoch wichtigsten Geschäftskonzepten. Und viele Unternehmen, unabhängig von ihrer Nische, verlassen sich auf sie, um ihren Kunden ein besseres Benutzererlebnis zu bieten.

Doch welche Rolle spielen Data Science und maschinelles Lernen bei der Entwicklung innovativer Finanzsysteme, insbesondere in Ländern wie Indonesien?

Der Mangel an Daten zur Kredithistorie in Verbindung mit der erheblichen Nutzung von Mobiltelefonen in Indonesien stellt einen idealen Punkt für Fintech-Unternehmen dar, um fortschrittliche benutzerfreundliche Finanzlösungen für Verbraucher anzubieten.

In diesem Folge anschauen of Data Point of View sprach Laurie Hood, Chief Marketing Officer bei Mobilewalla, mit Joel Samuel, VP, Head of Machine Learning Engineer, bei FinAccel, der Muttergesellschaft der indonesischen Buy Now, Pay Later (BNPL)-Plattform Kredivo.

Sie diskutierten die Bedeutung von maschinellem Lernen und Datenwissenschaft für das Erreichen von Geschäftszielen und die Bereitstellung einer besseren Benutzererfahrung, die Herausforderungen bei der Suche nach Datenwissenschaftsspezialisten, Fintech- und E-Commerce-Entwicklung in Südostasien und die Essenz, klein anzufangen.

Wichtige Erkenntnisse aus dem Podcast

Es gibt zwei Hauptgründe für bessere Lösungen in Indonesien

Joel und FinAccel Ziel ist es, dem indonesischen Markt aus zwei Gründen bessere Fintech-Lösungen anzubieten.

„Der erste ist die geringe Verbreitung von Kreditkarten in Indonesien. Es gibt nur 17 Millionen Kreditkarten im Vergleich zu unserer Bevölkerung, die heute etwa 250 Millionen beträgt. Es gibt also nur 0.07 Kreditkarten pro Kopf. Es ist wirklich niedrig. Der zweite ist die hohe Verbreitung von Mobiltelefonen.

Derzeit verfügt Indonesien über mehr als 119 Millionen Mobiltelefone. Es sind fast 0.8 Mobiltelefone pro Kopf. Es ist also ein Sweetspot. Sie haben ein Handy, aber keine Kreditkarte.“

Wir glauben an „schnell scheitern und schnell lernen“.

Joel und sein Team sind der festen Überzeugung, dass Projekte nach und nach durchgeführt werden sollten. Auf diese Weise haben Sie selbst bei einem Misserfolg die Möglichkeit, schnell aus Ihrem Fehler zu lernen.

„Wir können feststellen, ob mit dem Modell, das wir in die Produktion gebracht haben, etwas nicht stimmt. Wir glauben auch wirklich an „schnell scheitern und schnell lernen“.

Wir pushen die Produktion immer Stück für Stück, um die Wirkung und Wirkung des Modells zu sehen. Also fangen wir mit den einfachen Dingen und den kleinen Dingen an.“

Laut Joel,

„E-Commerce boomt in Indonesien, und das Land hat drei oder vier „Einhörner“, die mit E-Commerce angefangen haben. Eine der Herausforderungen beim E-Commerce, nicht nur in Indonesien, sondern auf der ganzen Welt, ist das Verlassen des Einkaufswagens.

Und bei diesem Thema geht es eher um die Zahlungsoptionen oder die Zahlungskanäle. Die meisten Leute verlassen den Warenkorb, weil sie Probleme mit der Zahlung haben – das ist der Sweet Spot von FinAccel.“

In Bezug auf die Sicht der Datenwissenschaft durch die Geschäftsleitung teilte Joel mit, dass „wir von Anfang an von der obersten Ebene eingekauft wurden, mit dem Gedanken, dass, wenn wir den besten Player auf dem Markt stören wollen, wie die Bank oder das Multi-Finanzunternehmen, das es bereits gibt, das einzige, was wir tun können, ist die Data-Science-Methodik einzuführen.

Er erklärte, dass sie das Problem besser lösen, weil das Top-Management des Unternehmens glaubt, dass Data Science eine große Chance ist.

„Aber obwohl wir unser Ziel oder die Initiative, die vom Top-Management kommt, bereits definiert haben, müssen wir beweisen, dass wir diese Initiative oder das Buy-in schon bei der allerersten Einheit liefern können.“

Eine Herausforderung für Data-Science-Teams ist der Aufbau von organisatorischem Vertrauen. Bei FinAccel traf sich das Team in den ersten zwei Jahren, in denen das Team vor Ort war, regelmäßig mit dem COO und dem CEO, um ihre Ergebnisse vorzustellen.

Sie verfügen auch über einen guten Überwachungsworkflow und ein gutes Framework, damit sie schnell erkennen können, wenn mit einem Modell, das in die Produktion übertragen wurde, etwas nicht stimmt.

Joel und sein Team haben Vertrauen aufgebaut, indem sie mit einem kleinen Problem begonnen haben, schnell zur Produktion übergegangen sind und dann schnell die Ergebnisse gesehen haben.

Auf diese Weise kann das Management sofort die Auswirkungen seines Data-Science-Ansatzes erkennen.

Sehen Sie sich den Data Point of View-Podcast von Mobilewalla mit Laurie Hood und Joel Samuel an hier.