De pandemie en de daarmee gepaard gaande financiële nood hebben geleid tot een recente opleving van het Buy-Now-Pay-Later (BNPL)-aankoopschema. Zoals de naam al doet vermoeden, is BNPL een vorm van kortlopende leningen, vaak renteloos, maar soms met verborgen kosten, waarmee consumenten aankopen kunnen doen en deze op een later tijdstip kunnen betalen. Dit zijn een soort betalingsregelingen op het verkooppunt (of 'termijn', afhankelijk van de kant van de Atlantische Oceaan waartoe u behoort) betalingsschema's die steeds populairder worden, zowel in online als offline winkelruimtes.
Laten we meer te weten komen over wat BNPL is, hoe leveranciers het kunnen gebruiken en ervan kunnen profiteren, en hoe Nanonetten in de scene passen.
Inhoudsopgave
- De evolutie van BNPL
- De werking van BNPL
- Het gebruik van OCR in het BNPL-ecosysteem
- OCR Extractie van gegevens uit ongestructureerde documenten
- Voordelen van OCR in het BNPL-ecosysteem
- Op AI gebaseerde OCR met Nanonetten
- Conclusie
De evolutie van BNPL
Gespreid betalen van aankopen is geen nieuw concept. Naar verluidt ontwikkeld in de jaren 1850, dateert het vroegst beschikbare record van kopen op afbetaling in de moderne geschiedenis uit de jaren 1920. De mismatch tussen de grote productiecapaciteit in de verwerkende sector en de vraag van de consument tijdens de depressieperiode na WO-1 resulteerde in het uitgebreide gebruik van afbetalingsplannen, zowel in de VS als elders in de wereld.
Terwijl recessie en de daarmee gepaard gaande spaarzaamheid het afbetalingsmodel in de jaren twintig van de vorige eeuw dreven, is de regeling de hele eeuw door blijven bestaan. Voorafgaand aan de recente door pandemie veroorzaakte economische neergang, droegen afbetalingsregelingen alleen al in de VS bij aan 1920% van de omzet, deels gedreven door economische behoeften en deels door de stijl van onmiddellijke bevrediging en uitgestelde betaling van het moderne leven.
Buy-Now-Pay-Later is gewoon oude wijn in een nieuwe fles. Met externe BNPL-aanbieders zoals Klarna, Affirm enz., die interfacing tussen handelaars en consumenten, heeft dit type betalingsoptie de afgelopen jaren terrein gewonnen. De recente door een pandemie veroorzaakte economische neergang heeft het bereik en de verspreiding van deze vorm van betalen in de winkelruimte verder vergroot.
De werking van BNPL
Voor de consument
BNPL wordt zowel in de online als offline markt steeds vaker gebruikt.
- In het online platform, wanneer de klant haar product kiest en zich voorbereidt om een online aankoop te doen, als de marktplaats de optie van BNPL heeft, zou ze naar een site worden geleid die de mogelijkheid van uitgestelde betaling biedt, zoals hieronder weergegeven.
- Als de klant kiest voor de renteloze betaling via de BNPL-app, wordt ze door de BNPL-enabler om details gevraagd, waaronder mogelijk krediet- en bankgegevens.
- In de offline winkel vult de klant handmatig een formulier in met details of geeft de gegevens door aan de medewerker van de winkel. De gegevens worden vervolgens door een klerk in een digitale database ingevoerd of communiceert mondeling met een klerk die de gegevens in een digitaal formulier invoert. In sommige winkels wordt aan de klant een tablet/elektronisch pad verstrekt waarin zij de benodigde gegevens invult.
- De gegevens worden door de handelaar of een derde partij gecontroleerd op geldigheid en goedkeuring.
- Indien goedgekeurd, kan een kleine aanbetaling, zoals 25% van het totale aankoopbedrag, vereist zijn, met daaropvolgende betalingen op een later bepaald tijdstip in een reeks rentevrije termijnen.
- Alle termijnen kunnen per cheque of overschrijving worden betaald; of automatisch afgeschreven van een debetkaart, bankrekening of creditcard.
- Het verschil tussen BNPL-betaling en creditcardbetaling is dat de eerste vaak renteloos is (maar niet altijd) en dat de aankoop volledig wordt afbetaald tijdens de vastgestelde periode. Bij creditcards kan het krediet voor onbepaalde tijd worden verlengd, waarbij de rente toeneemt met langere tijden.
Voor de handelaar
Handelaren die een BNPL-oplossing willen gebruiken, kunnen ofwel zelf zo'n systeem opzetten (merchant-model met financiële technicus of FinTech) of gebruik maken van een externe BNPL-provider (partnermodel).
Het Merchant-model is eenvoudig; de handelaar gaat een overeenkomst aan met de klant om de betaling van de gekochte goederen in vele termijnen te plannen. Er kan al dan niet rente worden toegevoegd aan de betalingsmethode, afhankelijk van het beleid van de handelaar, de waarde van de verkochte goederen en de duur van de termijn.
Voor de BNPL-aanbieder
In het partnermodel vormt een derde partij een interface tussen de handelaar en de klant en biedt de mogelijkheid om op afbetaling te betalen. Er zijn twee soorten BNPL-oplossingen van derden: leningen voor transactiekosten voor verkopers en leningen voor shopperrente:
Bij transactiekosten van het type BNPL, wordt de klant geen extra bedrag in rekening gebracht voor het gebruik van de optie van BNPL. In plaats daarvan wordt de handelaar een vergoeding in rekening gebracht die doorgaans 2-8% van het aankoopbedrag is.
Bij shopper renteleningen wordt de handelaar geen vergoeding in rekening gebracht, maar de klant betaalt rente als onderdeel van hun afbetalingsplan. Dit is vergelijkbaar met de traditionele afbetalingsplannen die al meer dan een eeuw bestaan.
Het partnermodel werkt doorgaans als volgt:
- Wanneer de klant de BNPL-aankoopoptie kiest, moet ze informatie verstrekken over de bedragen van elke termijn, de periode waarover ze worden betaald en de wijze van betaling (creditcard, debetkaart, bankoverschrijving, online bankieren, enz.) .).
- De klant moet dan de juiste gegevens verstrekken, zoals creditcardnummer, bankrekeningnummer, enz., waarmee de aanbieder een kredietcontrole op de klant kan uitvoeren.
- Na goedkeuring wordt de aankoop als voltooid beschouwd.
- Zodra het aankoopproces aan het einde van de klant is voltooid, betaalt de aanbieder het volledige aankoopbedrag aan de handelaar, minus eventuele vergoedingen die met de handelaar zijn overeengekomen.
- De aanbieder incasseert de resterende termijnen rechtstreeks van de klant op de vooraf bepaalde termijnen.
Het gebruik van OCR in het BNPL-ecosysteem
OCR is nuttig in twee stappen van het BNPL-protocol, namelijk bij de gegevensinvoerstap en in het stadium van KYC-verificatie door de BNPL-provider.
In de offline winkel die ervoor kiest om BNPL te gebruiken, moet de klant vaak een formulier invullen met gegevens die in de computer moeten worden ingevoerd. Vaak is de vorm zoiets als dit:
De door de klant ingevulde gegevens op het formulier moeten door een medewerker handmatig in een systeem worden ingevoerd in een database. De BNPL-software valideert vervolgens de gegevens en stuurt de goedkeuringsnota terug voor verdere verwerking. Dit is hetzelfde als de creditcard die wordt gestolen en de gegevens worden gevalideerd voor goedkeuring.
De BNPL-serviceprovider kan ook enorm profiteren van het gebruik van OCR bij het controleren van de bijgevoegde KYC-documenten zoals de ID, bankgegevens enz. Deze KYC-controles moeten in realtime gebeuren en automatische gegevensextractie uit de geüploade documenten zal helpen bij het snel verificatie van relevante gegevens uit deze documenten met broninformatie.
Handmatige invoer van financiële gegevens voor BNPL-operaties heeft de volgende problemen:
1. Hoge foutenpercentages: het invoeren van onbewerkte gegevens die niet worden gevolgd door verificatiestappen, heeft een foutenpercentage van wel 4%. Om dat in perspectief te plaatsen, zijn er 2 fouten voor elke vijf ingevoerde gegevens. Elke fout in financiële details kan catastrofaal zijn voor de organisatie en de klant. De hoge foutenpercentages die gepaard gaan met handmatige gegevensinvoer kunnen worden toegeschreven aan verschillende redenen, van onvoldoende training van gegevensinvoerprofessionals tot menselijke vermoeidheid, verkeerde interpretatie van gegevens, enz. Volgens 'Data Quality Assessment' kunnen fouten ontstaan door ontbrekende waarden, wat op zijn beurt discrepanties kan veroorzaken in de gewenste output. Zelfs de beste operator voor gegevensinvoer is vatbaar voor fouten wanneer de gegevensinvoertaak repetitief is en/of een grote hoeveelheid gegevens omvat. Of de bedrijven zouden de gegevensinvoer moeten uitbesteden, wat weer geld kost.
2. Vertraging: handmatige invoer van gegevens is tijdrovend. Een goede gegevensinvoer van papieren documenten varieert tussen 10,000 en 15,000 toetsaanslagen per uur. Complexe gegevens die eerst moeten worden begrepen voordat ze worden ingevoerd, zouden het proces verder vertragen. Het invoeren van 400 gegevenseenheden zou een competente operator dus tussen de 8 en 10 minuten kosten, wat onaanvaardbaar wordt als het gegevensvolume groot is.
3. Menselijke verveling: het proces van handmatige gegevensinvoer is repetitief en vervelend en kan demoraliserend zijn. Handmatige gegevensinvoer kan dus leiden tot ontevredenheid van de medewerkers en een hoog verloop. Dit zijn ernstige problemen in de zeer concurrerende zakelijke omgeving van vandaag.
Dit is waar OCR-software voor gegevensextractie kan helpen
Optical Character Recognition of OCR zet elke vorm van tekst of informatie die is opgeslagen in digitale documenten om in machineleesbare gegevens. Hardcopy en papieren documenten kunnen zo worden omgezet in computerleesbare bestandsformaten, geschikt voor verdere bewerking of gegevensverwerking; de overgang naar papierloze kantoren te vergemakkelijken.
OCR Extractie van gegevens uit ongestructureerde documenten
Een goede OCR moet in staat zijn om:
- Extraheer gestructureerde, slecht gestructureerde en ongestructureerde gegevens.
- Haal gegevens uit meerdere bronnen.
- Exporteer geëxtraheerde gegevens in het gewenste formaat
- Geïntegreerd zijn met software die de gegevens in realtime doorgeeft aan de FinTech-enabler in het bedrijfsleven of de externe BNPL-provider
Een ideale manier waarop de OCR kan worden gebruikt voor BNPL-verwerking, is wanneer deze rechtstreeks wordt geïntegreerd in de pijplijn van FinTech.
Voordelen van OCR in het BNPL-ecosysteem
- Verbetering van de nauwkeurigheid en vermindering van menselijke fouten: Automatisering kan veel van de menselijke fouten elimineren die worden veroorzaakt door onoplettendheid, vermoeidheid of onvoldoende training.
- Tijdsbesparing: Automatisering is ongetwijfeld sneller dan handmatige extractie van gegevens. De financiële en kredietgegevens van de klant moeten in realtime worden doorgegeven aan de financiële technicus om het aankoopproces tijdens dit bezoek te voltooien. Geautomatiseerde invoer van gegevens kan het proces versnellen en daardoor vertragingen in het aankoopproces voorkomen.
- Betere controle en toegang tot gegevens: een gecentraliseerde locatie van gestructureerde gegevens maakt deze toegankelijker voor alle belanghebbenden en deelnemers in het bedrijf, waardoor samenhang in bedrijfsactiviteiten mogelijk wordt.
- Kostenvoordelen: Hoewel de initiële investering in OCR-automatisering ontmoedigend kan zijn, kunnen de kostenbesparingen door productiviteitsverbeteringen, het moreel van de werknemers en tijdbesparing de opstartkosten van geautomatiseerde gegevensextractiesystemen compenseren.
- Schaalbaarheid: OCR-gegevensextractiesystemen bieden ruimte voor schaalvergroting van het bedrijf zonder dat u zich zorgen hoeft te maken over de hoeveelheden gegevens die dienovereenkomstig zouden worden geschaald.
Op AI gebaseerde OCR met Nanonetten
Nanonets is OCR-software die gebruikmaakt van AI- en ML-mogelijkheden om automatisch ongestructureerde/gestructureerde gegevens uit PDF-documenten, afbeeldingen en gescande bestanden te extraheren. In tegenstelling tot traditionele OCR-oplossingen, vereist Nanonets geen aparte regels en sjablonen voor elk nieuw documenttype.
Nanonets vertrouwt op AI-gestuurde cognitieve intelligentie en kan semi-gestructureerde en zelfs onzichtbare documenttypen aan, terwijl ze in de loop van de tijd verbeteren. Het Nanonets-algoritme & OCR-modellen leren continu bij. Ze kunnen meerdere keren worden getraind of omgeschoold en zijn zeer aanpasbaar. U kunt de uitvoer ook aanpassen om alleen specifieke tabellen of gegevensinvoer van uw interesse te extraheren.
De Nanonets API biedt hoge snelheden en grote nauwkeurigheid bij het extraheren van gegevens van regelitems en stimuleert automatisering voor regelitembeheer. De Nanonets API kan de volgende taken uitvoeren:
- Nauwkeurige detectie van de tabelstructuur van een regelitem dat documenten zoals formulieren bevat.
- Alle regelitemitems die aanwezig zijn in de formulieren, zoals naam, product, prijs, totaalbedrag, kortingen, enz.
- De gegevens kunnen worden geëxtraheerd als JSON-uitvoer waarmee aangepaste apps en platforms kunnen worden gebouwd.
De software biedt niet alleen een geweldige API en documentatie voor ontwikkelaars, maar is ook ideaal voor organisaties zonder een intern team van ontwikkelaars.
De voordelen van het gebruik van Nanonets ten opzichte van andere geautomatiseerde OCR-software gaan veel verder dan kostenbesparingen, nauwkeurigheid en schaal. Nanonets biedt bovendien unieke voordelen waardoor het de concurrentie ver voor is:
- Een echt no-code tool
- Eenvoudige integratie van Nanonets met de meeste CRM-, ERP-, contentservices- of RPA-software.
- Geen nabewerking nodig: Nanonets OCR kan handgeschreven tekst herkennen, afbeeldingen van tekst in meerdere talen tegelijk, afbeeldingen met lage resolutie, afbeeldingen met nieuwe of cursieve lettertypen en verschillende formaten, afbeeldingen met schaduwtekst, gekantelde tekst, willekeurige ongestructureerde tekst, afbeelding ruis, wazige beelden en meer.
- Werkt met aangepaste gegevens door het gebruik van aangepaste gegevens voor het trainen van OCR-modellen.
- Herkenning van meerdere invoer: Nanonets OCR kan handgeschreven tekst herkennen, afbeeldingen van tekst in meerdere talen tegelijk, afbeeldingen met een lage resolutie, afbeeldingen met nieuwe of cursieve lettertypen en verschillende formaten, afbeeldingen met schaduwtekst, gekantelde tekst, willekeurige ongestructureerde tekst, beeldruis, wazige afbeeldingen en meerdere talen
- Onafhankelijkheid van formaten: Nanonets is helemaal niet gebonden aan het sjabloon van documenten. U kunt gegevens cognitief vastleggen in tabellen of regelitems of een ander formaat!
Conclusie
Het consumentenlandschap is de afgelopen 20 jaar enorm veranderd, vooral in de afgelopen twee jaar van door pandemie veroorzaakte lockdowns en economische neergang. Van een ruimte die ooit afhankelijk was van contante aankopen tot een ruimte die nu volledig de digitalisering van transacties omarmt, de markt maakt een transformatie door waardoor technologie en nieuwe innovaties volledig kunnen worden benut. De BNPL-aanpak is de volgende logische stap in de evolutie van de winkelruimte. Het gebruik van OCR in de BNPL-workflow biedt overtuigende voordelen, zoals tijd- en kostenbesparingen, een gestroomlijnd goedkeuringsproces en uiteindelijk een betere acceptatie door verkopers
- &
- 000
- 20 jaar
- Over
- toegang
- Volgens
- Account
- over
- activiteiten
- Adoptie
- advertentie
- Overeenkomst
- AI
- algoritme
- Alles
- Het toestaan
- bedragen
- hoeveelheden
- api
- gebruiken
- nadering
- apps
- geautomatiseerde
- Automatisering
- Beschikbaar
- Bank
- bankrekening
- overschrijving
- Bankieren
- wezen
- betekent
- BEST
- Zwart
- Gebouw
- bedrijfsdeskundigen
- kopen
- Buying
- mogelijkheden
- Inhoud
- Kaarten
- Contant geld
- opgeladen
- controleren
- Controles
- cognitieve
- Bedrijven
- dwingende
- concurrentie
- complex
- concept
- consument
- Consumenten
- content
- bijgedragen
- onder controle te houden
- Kosten
- kon
- Credits
- creditkaart
- Kredietkaarten
- gegevens
- gegevensverwerking
- Database
- Data
- Debetkaart
- vertraging
- vertragingen
- Vraag
- Depressie
- Opsporing
- ontwikkelde
- ontwikkelaars
- digitaal
- digitalisering
- documenten
- beneden
- gedreven
- Vroeg
- Economisch
- economische neergang
- elimineren
- ingevoerd
- Komt binnen
- Milieu
- Evolutie
- sneller
- vergoedingen
- financiën
- financieel
- financiële data
- FinTech
- geschikt
- stroom
- volgend
- formulier
- formulieren
- vol
- toekomst
- gaan
- goed
- goederen
- groot
- hulp
- Hoge
- zeer
- geschiedenis
- Hoe
- HTTPS
- beeld
- omvatten
- meer
- informatie
- geïntegreerde
- integratie
- Intelligentie
- belang
- investering
- IT
- Klarna
- KYC
- Landschap
- Talen
- Groot
- leiden
- LEARN
- hefbomen
- Lijn
- Leningen
- plaats
- lockdowns
- op zoek
- maken
- management
- Mantra
- handboek
- handmatig
- productie
- markt
- Koopman
- Verkopers
- ML
- model
- modellen
- geld
- meest
- Geluid
- aantal
- oceaan
- bieden
- het aanbieden van
- Aanbod
- online.
- online bankieren
- Operations
- Keuze
- Opties
- organisatie
- organisaties
- Overige
- betaald
- pandemisch
- Papier
- deelnemers
- partner
- Betaal
- betaling
- betalingen
- periodes
- perspectief
- platform
- platforms
- beleidsmaatregelen door te lezen.
- Populair
- presenteren
- prijs
- problemen
- Product
- Productie
- produktiviteit
- professionals
- protocol
- zorgen voor
- biedt
- inkomsten
- gekocht
- aankopen
- kwaliteit
- Tarieven
- Rauw
- real-time
- redenen
- recessie
- herkennen
- record
- vereisen
- nodig
- <HR>Retail
- Zuid-Afrika
- reglement
- verkoop
- Scale
- scaling
- schema
- sector
- -Series
- service
- Diensten
- reeks
- het instellen van
- gelijk
- website
- Klein
- Software
- uitverkocht
- Oplossingen
- iets
- Tussenruimte
- ruimten
- verspreiden
- Stadium
- voorraad
- shop
- winkels
- stijl
- system
- Systems
- taken
- team
- Technologie
- de wereld
- van derden
- Door
- niet de tijd of
- tijdrovend
- traditioneel
- Trainingen
- transactie
- Transacties
- Transformatie
- unieke
- us
- .
- waarde
- vendors
- Verificatie
- volume
- Wat
- WIE
- zonder
- Bedrijven
- wereld
- jaar