Pandemi dan kesulitan keuangan terkait telah mengakibatkan peningkatan baru-baru ini dalam skema pembelian Beli-Sekarang-Bayar-Nanti (BNPL). Seperti namanya, BNPL adalah bentuk pinjaman jangka pendek, seringkali tanpa bunga, tetapi terkadang dengan biaya tersembunyi, yang memungkinkan konsumen melakukan pembelian dan membayarnya di masa mendatang. Ini adalah jenis skema pembayaran point-of-sale (atau 'cicilan' tergantung pada sisi Samudra Atlantik tempat Anda berada) skema pembayaran yang semakin menjadi pilihan populer, baik di ruang ritel online maupun offline.
Mari kita pelajari tentang apa itu BNPL, bagaimana vendor dapat menggunakan dan memanfaatkannya, dan kesesuaian Nanonet di tempat kejadian.
Daftar Isi
- Evolusi BNPL
- Cara kerja BNPL
- Penggunaan OCR dalam ekosistem BNPL
- OCR Ekstraksi data dari dokumen tidak terstruktur
- Keuntungan OCR dalam ekosistem BNPL
- OCR berbasis AI dengan Nanonets
- Takeaway
Evolusi BNPL
Membayar pembelian secara mencicil bukanlah konsep baru. Dilaporkan dikembangkan pada tahun 1850-an, catatan pembelian berbasis cicilan paling awal yang tersedia dalam sejarah modern berasal dari tahun 1920-an. Ketidaksesuaian antara kapasitas produksi yang besar di sektor manufaktur dan permintaan konsumen selama periode depresi pasca PD-1 mengakibatkan penggunaan ekstensif rencana angsuran baik di AS maupun di tempat lain di dunia.
Jika resesi dan penghematan terkait mendorong model cicilan pada 1920-an, skema itu terus ada sepanjang abad. Sebelum kemerosotan ekonomi yang disebabkan oleh pandemi baru-baru ini, skema cicilan berkontribusi pada 1% dari penjualan di AS saja, sebagian didorong oleh kebutuhan ekonomi dan sebagian oleh gaya kehidupan modern yang ditangguhkan dengan kepuasan instan.
Beli-Sekarang-Bayar-Nanti hanyalah anggur tua dalam botol baru. Dengan penyedia BNPL pihak ketiga seperti Klarna, Affirm dll., antarmuka antara pedagang dan konsumen, jenis opsi pembayaran ini telah berkembang dalam beberapa tahun terakhir. Penurunan ekonomi yang disebabkan oleh pandemi baru-baru ini semakin meningkatkan jangkauan dan penyebaran bentuk pembayaran ini di ruang ritel.
Cara kerja BNPL
Untuk konsumen
BNPL semakin banyak digunakan baik di pasar online maupun offline.
- Di platform online, ketika pelanggan memilih produknya dan bersiap untuk melakukan pembelian online, jika pasar memiliki opsi BNPL, dia akan dibawa ke situs yang menyediakan opsi pembayaran yang ditangguhkan seperti yang ditunjukkan di bawah ini.
- Jika pelanggan memilih pembayaran bebas bunga melalui aplikasi BNPL, dia akan dimintai perincian, yang mungkin termasuk perincian kredit dan bank oleh pengaktif BNPL.
- Di toko offline, pelanggan mengisi formulir secara manual dengan detail atau mengomunikasikan data kepada karyawan toko. Rincian tersebut kemudian dimasukkan ke dalam database digital oleh petugas atau berkomunikasi secara lisan dengan petugas yang memasukkan data ke dalam bentuk digital. Di beberapa toko, pelanggan menyediakan tablet/pad elektronik untuk mengisi data yang diperlukan.
- Detailnya diperiksa oleh pedagang atau penyedia pihak ketiga untuk validitas dan persetujuan.
- Jika disetujui, uang muka kecil, seperti 25% dari jumlah pembelian keseluruhan mungkin diperlukan, dengan pembayaran berikutnya harus dibayar pada waktu yang ditentukan kemudian dalam serangkaian angsuran bebas bunga.
- Semua angsuran dapat dibayar dengan cek atau transfer bank; atau secara otomatis didebet dari kartu debit, rekening bank, atau kartu kredit.
- Perbedaan antara pembayaran BNPL dan pembayaran kartu kredit adalah bahwa pembayaran pertama seringkali bebas bunga (tetapi tidak selalu), dan pembelian dilunasi sepenuhnya selama periode yang ditentukan. Dalam kartu kredit, kredit dapat diperpanjang tanpa batas, dengan bunga bertambah seiring waktu.
Untuk pedagang
Pedagang yang ingin mengadopsi solusi BNPL dapat mengatur sendiri sistem tersebut (model pedagang menggunakan teknisi keuangan atau FinTech) atau memanfaatkan penyedia BNPL pihak ketiga (model mitra).
Model Pedagang sangat mudah; pedagang mengadakan perjanjian dengan pelanggan untuk merencanakan pembayaran barang yang dibeli dengan banyak angsuran. Mungkin ada atau tidak ada bunga yang ditambahkan ke metode pembayaran, tergantung pada kebijakan pedagang, nilai barang yang dijual, dan durasi angsuran.
Untuk penyedia BNPL
Dalam model mitra, pihak ketiga berinteraksi antara pedagang dan pelanggan dan menawarkan opsi pembayaran cicilan. Ada dua jenis solusi BNPL pihak ketiga – pinjaman biaya transaksi pedagang dan pinjaman bunga pembelanja:
Dalam jenis biaya transaksi pedagang BNPL, pelanggan tidak dikenakan biaya tambahan apapun untuk ketersediaan opsi BNPL. Sebaliknya, pedagang dikenakan biaya yang biasanya 2-8% dari jumlah pembelian.
Dalam pinjaman bunga pembelanja, pedagang tidak dikenakan biaya, tetapi pelanggan membayar bunga sebagai bagian dari rencana angsuran mereka. Ini mirip dengan rencana cicilan tradisional yang telah ada selama lebih dari satu abad sekarang.
Model mitra biasanya bekerja sebagai berikut:
- Ketika pelanggan memilih opsi pembelian BNPL, dia harus memberikan informasi tentang jumlah setiap angsuran, periode pembayaran, dan cara pembayaran (kartu kredit, kartu debit, transfer bank, perbankan online, dll.) .).
- Pelanggan kemudian diminta untuk memberikan perincian yang sesuai seperti nomor kartu kredit, nomor rekening bank, dll., yang dengannya penyedia dapat melakukan pemeriksaan kredit pada pelanggan.
- Setelah disetujui, pembelian dianggap selesai.
- Setelah proses pembelian selesai di ujung pelanggan, penyedia membayar jumlah penuh pembelian kepada pedagang, dikurangi biaya yang telah disepakati dengan pedagang.
- Penyedia menagih sisa cicilan langsung dari pelanggan pada jangka waktu yang telah ditentukan.
Penggunaan OCR dalam ekosistem BNPL
OCR berguna dalam dua langkah protokol BNPL, yaitu pada langkah entri data dan pada tahap verifikasi KYC oleh penyedia BNPL.
Pada toko offline yang memilih menggunakan BNPL, pelanggan seringkali diharuskan mengisi formulir dengan detail yang harus dimasukkan ke dalam komputer. Seringkali bentuknya seperti ini:
Data yang diisi oleh pelanggan pada formulir harus dimasukkan secara manual ke dalam sistem oleh karyawan ke dalam database. Perangkat lunak BNPL kemudian memvalidasi data dan mengirimkan kembali nota persetujuan untuk diproses lebih lanjut. Ini seperti kartu kredit yang digesek dan data divalidasi untuk persetujuan.
Penyedia layanan BNPL juga dapat memperoleh manfaat yang sangat besar dari penggunaan OCR dalam memeriksa dokumen KYC yang dilampirkan seperti ID, detail bank, dll. Pemeriksaan KYC ini harus dilakukan secara real-time dan ekstraksi data otomatis dari dokumen yang diunggah akan membantu dengan cepat. verifikasi data yang relevan dari dokumen-dokumen ini dengan informasi sumber.
Pemasukan data keuangan secara manual untuk operasional BNPL memiliki permasalahan sebagai berikut:
1. Tingkat Kesalahan Tinggi: Entri Data Mentah yang tidak diikuti dengan langkah-langkah verifikasi telah terbukti memiliki tingkat kesalahan setinggi 4%. Untuk menempatkan itu dalam perspektif, ada 2 kesalahan untuk setiap lima entri yang dibuat. Setiap kesalahan dalam rincian keuangan dapat menjadi bencana besar bagi organisasi dan pelanggan. Tingginya tingkat kesalahan yang terkait dengan entri data manual dapat dikaitkan dengan berbagai alasan, mulai dari pelatihan profesional entri data yang tidak memadai hingga kelelahan manusia, salah tafsir data, dll. Menurut 'Penilaian Kualitas Data', kesalahan dapat muncul dari nilai yang hilang, yang dapat, pada gilirannya, membuat perbedaan dalam output yang diinginkan. Bahkan operator entri data terbaik pun cenderung membuat kesalahan saat tugas entri data berulang dan/atau melibatkan volume data yang besar. Atau, perusahaan harus mengalihdayakan operasi entri data, yang lagi-lagi membutuhkan biaya.
2. Penundaan: Pemasukan data secara manual memakan waktu. Tingkat entri data yang baik dari dokumen kertas berkisar antara 10,000 dan 15,000 penekanan tombol per jam. Data kompleks yang membutuhkan pemahaman sebelum dimasukkan, akan menunda proses lebih lanjut. Dengan demikian, memasukkan 400 unit data akan membutuhkan operator yang kompeten antara 8 dan 10 menit, yang menjadi tidak dapat diterima jika volume data tinggi.
3. Kebosanan Manusia: Proses entri data manual berulang dan membosankan dan dapat menurunkan moral. Dengan demikian, entri data manual dapat menyebabkan ketidakpuasan karyawan dan tingkat turnover yang tinggi. Ini adalah masalah serius dalam lingkungan bisnis yang sangat kompetitif saat ini.
Di sinilah perangkat lunak ekstraksi data OCR dapat membantu
Pengenalan Karakter Optik atau OCR mengubah segala jenis teks atau informasi yang disimpan dalam dokumen digital menjadi data yang dapat dibaca mesin. Salinan cetak dan dokumen kertas dengan demikian dapat diubah menjadi format file yang dapat dibaca komputer, cocok untuk pengeditan lebih lanjut atau pemrosesan data; memfasilitasi transisi ke kantor tanpa kertas.
OCR Ekstraksi data dari dokumen tidak terstruktur
OCR yang baik harus dapat:
- Ekstrak data terstruktur, terstruktur buruk, dan tidak terstruktur.
- Tarik data dari berbagai sumber.
- Ekspor data yang diekstraksi dalam format yang diinginkan
- Terintegrasi dengan perangkat lunak yang menyampaikan data secara real-time ke enabler FinTech dalam bisnis atau penyedia BNPL pihak ketiga
Cara ideal di mana OCR dapat digunakan untuk pemrosesan BNPL adalah ketika OCR diintegrasikan langsung ke dalam jalur FinTech.
Keuntungan OCR dalam ekosistem BNPL
- Peningkatan akurasi dan pengurangan kesalahan manusia: Otomasi dapat menghilangkan banyak kesalahan manusia yang disebabkan oleh pengawasan, kelelahan, atau pelatihan yang tidak memadai.
- Penghematan waktu: Otomatisasi tidak diragukan lagi lebih cepat daripada ekstraksi data secara manual. Data keuangan dan kredit pelanggan harus dikirimkan ke teknisi keuangan secara real-time agar proses pembelian dapat diselesaikan selama kunjungan ini. Entri data otomatis dapat mempercepat proses dan dengan demikian menghindari penundaan dalam proses pembelian.
- Kontrol dan akses data yang lebih baik: Lokasi data terstruktur yang terpusat membuatnya lebih mudah diakses oleh semua pemangku kepentingan dan peserta dalam bisnis, sehingga memungkinkan koherensi dalam aktivitas bisnis.
- Manfaat biaya: Meskipun investasi awal dalam otomatisasi OCR dapat menjadi hal yang menakutkan, penghematan biaya melalui peningkatan produktivitas, moral karyawan, dan penghematan waktu dapat mengimbangi biaya penyiapan sistem ekstraksi data otomatis.
- Skalabilitas: Sistem ekstraksi data OCR menawarkan ruang lingkup untuk meningkatkan skala bisnis tanpa mengkhawatirkan volume data yang akan diskalakan.
OCR berbasis AI dengan Nanonets
Nanonets adalah perangkat lunak OCR yang memanfaatkan kemampuan AI & ML untuk secara otomatis mengekstrak data tidak terstruktur/terstruktur dari dokumen PDF, gambar, dan file yang dipindai. Tidak seperti solusi OCR tradisional, Nanonets tidak memerlukan aturan dan template terpisah untuk setiap jenis dokumen baru.
Mengandalkan kecerdasan kognitif yang digerakkan oleh AI, Nanonets dapat menangani jenis dokumen semi-terstruktur dan bahkan tidak terlihat sambil meningkatkan dari waktu ke waktu. Algoritma Nanonets & model OCR belajar terus menerus. Mereka dapat dilatih atau dilatih ulang beberapa kali dan sangat dapat disesuaikan. Anda juga dapat menyesuaikan output, untuk hanya mengekstrak tabel atau entri data tertentu yang Anda minati.
Nanonets API memberikan kecepatan tinggi dan akurasi tinggi dalam ekstraksi data item baris dan mendorong otomatisasi untuk manajemen item baris. Nanonets API dapat melakukan tugas berikut:
- Deteksi akurat dari struktur tabel item baris yang berisi dokumen seperti formulir.
- Semua entri item baris yang ada dalam formulir seperti nama, produk, harga, jumlah total, diskon, dll.
- Data dapat diekstraksi sebagai output JSON yang dapat memungkinkan pembangunan aplikasi dan platform yang disesuaikan.
Selain menawarkan API & dokumentasi yang hebat untuk pengembang, perangkat lunak ini juga ideal untuk organisasi yang tidak memiliki tim pengembang internal.
Manfaat menggunakan Nanonets dibandingkan perangkat lunak OCR otomatis lainnya jauh melampaui penghematan biaya, akurasi, dan skala. Nanonets juga memberikan manfaat unik yang menempatkannya jauh di depan persaingan:
- Alat yang benar-benar tanpa kode
- Integrasi Nanonets yang mudah dengan sebagian besar CRM, ERP, layanan konten, atau perangkat lunak RPA.
- Tidak diperlukan pasca-pemrosesan: Nanonets OCR dapat mengenali teks tulisan tangan, gambar teks dalam berbagai bahasa sekaligus, gambar dengan resolusi rendah, gambar dengan font baru atau kursif dan berbagai ukuran, gambar dengan teks bayangan, teks miring, teks acak tidak terstruktur, gambar noise, gambar buram, dan lainnya.
- Bekerja dengan data khusus melalui penggunaan data khusus untuk melatih model OCR.
- Pengenalan input ganda: Nanonets OCR dapat mengenali teks tulisan tangan, gambar teks dalam berbagai bahasa sekaligus, gambar dengan resolusi rendah, gambar dengan font baru atau kursif dan berbagai ukuran, gambar dengan teks bayangan, teks miring, teks acak tidak terstruktur, noise gambar, gambar kabur, dan beberapa bahasa
- Independensi dari format: Nanonet tidak terikat oleh template dokumen sama sekali. Anda dapat menangkap data secara kognitif dalam tabel atau item baris atau format lainnya!
Takeaway
Lanskap konsumen telah sangat berubah dalam 20 tahun terakhir, terutama dalam dua tahun terakhir penguncian akibat pandemi dan penurunan ekonomi. Dari ruang yang dulunya bergantung pada pembelian tunai menjadi ruang yang sekarang sepenuhnya merangkul digitalisasi transaksi, pasar sedang mengalami transformasi yang memungkinkannya memanfaatkan teknologi dan inovasi baru secara maksimal. Pendekatan BNPL adalah langkah logis berikutnya dalam evolusi ruang ritel. Penggunaan OCR dalam alur kerja BNPL hadir dengan manfaat menarik seperti penghematan waktu dan biaya, proses persetujuan yang disederhanakan, dan pada akhirnya adopsi yang lebih baik oleh pedagang
- &
- 000
- 20 tahun
- Tentang Kami
- mengakses
- Menurut
- Akun
- di seluruh
- kegiatan
- Adopsi
- iklan
- Persetujuan
- AI
- algoritma
- Semua
- Membiarkan
- jumlah
- jumlah
- api
- aplikasi
- pendekatan
- aplikasi
- Otomatis
- Otomatisasi
- tersedia
- Bank
- akun bank
- transfer bank
- Perbankan
- makhluk
- Manfaat
- TERBAIK
- Black
- Bangunan
- bisnis
- membeli
- Pembelian
- kemampuan
- Kapasitas
- Kartu-kartu
- Uang tunai
- dibebankan
- memeriksa
- Cek
- kognitif
- Perusahaan
- menarik
- kompetisi
- kompleks
- konsep
- konsumen
- Konsumen
- Konten
- berkontribusi
- kontrol
- Biaya
- bisa
- kredit
- kartu kredit
- Kartu kredit
- data
- pengolahan data
- Basis Data
- Tanggal
- Kartu debit
- menunda
- keterlambatan
- Permintaan
- depresi
- Deteksi
- dikembangkan
- pengembang
- digital
- digitalisasi
- dokumen
- turun
- didorong
- Awal
- Ekonomis
- penurunan ekonomi
- menghapuskan
- masuk
- Masuk
- Lingkungan Hidup
- evolusi
- lebih cepat
- Biaya
- keuangan
- keuangan
- data keuangan
- fintech
- cocok
- aliran
- berikut
- bentuk
- bentuk
- penuh
- masa depan
- akan
- baik
- barang
- besar
- membantu
- High
- sangat
- sejarah
- Seterpercayaapakah Olymp Trade? Kesimpulan
- HTTPS
- gambar
- memasukkan
- Pada meningkat
- informasi
- terpadu
- integrasi
- Intelijen
- bunga
- investasi
- IT
- Klarna
- KYC
- pemandangan
- Bahasa
- besar
- memimpin
- BELAJAR
- memanfaatkan
- baris
- Pinjaman
- tempat
- kuncian
- mencari
- Membuat
- pengelolaan
- Mantra
- panduan
- manual
- pabrik
- pasar
- Pedagang
- pedagang
- ML
- model
- model
- uang
- paling
- Kebisingan
- jumlah
- samudra
- menawarkan
- menawarkan
- Penawaran
- secara online
- online banking
- Operasi
- pilihan
- Opsi
- organisasi
- organisasi
- Lainnya
- dibayar
- pandemi
- kertas
- peserta
- pasangan
- Membayar
- pembayaran
- pembayaran
- periode
- perspektif
- Platform
- Platform
- Kebijakan
- Populer
- menyajikan
- harga pompa cor beton mini
- masalah
- proses
- Produk
- Produksi
- produktifitas
- profesional
- protokol
- memberikan
- menyediakan
- membeli
- dibeli
- pembelian
- kualitas
- Tarif
- Mentah
- real-time
- alasan
- resesi
- mengenali
- catatan
- membutuhkan
- wajib
- eceran
- rpa
- aturan
- penjualan
- Skala
- skala
- skema
- sektor
- Seri
- layanan
- Layanan
- set
- pengaturan
- mirip
- situs web
- kecil
- Perangkat lunak
- terjual
- Solusi
- sesuatu
- Space
- spasi
- penyebaran
- Tahap
- saham
- menyimpan
- toko
- gaya
- sistem
- sistem
- tugas
- tim
- Teknologi
- Dunia
- pihak ketiga
- Melalui
- waktu
- membuang-buang waktu
- tradisional
- Pelatihan
- .
- Transaksi
- Transformasi
- unik
- us
- menggunakan
- nilai
- vendor
- Verifikasi
- volume
- Apa
- SIAPA
- tanpa
- bekerja
- dunia
- tahun