Pandemien og den tilhørende økonomiske nøden har resultert i en nylig økning i kjøpe-nå-betal-senere (BNPL)-ordningen for kjøp. Som navnet tilsier, er BNPL en form for kortsiktige lån, ofte rentefrie, men noen ganger med skjulte kostnader, som lar forbrukere foreta kjøp og betale for dem på et fremtidig tidspunkt. Dette er en type avbetaling på salgsstedet (eller "avdrag" avhengig av hvilken side av Atlanterhavet du tilhører) betalingsordninger som blir stadig mer populære alternativer, både på nett og offline.
La oss lære om hva BNPL er, hvordan leverandører kan bruke og dra nytte av det, og passformen til nanonetter i scenen.
Innholdsfortegnelse
- Utviklingen av BNPL
- Virkemåten til BNPL
- Bruken av OCR i BNPL-økosystemet
- OCR Utvinning av data fra ustrukturerte dokumenter
- Fordeler med OCR i BNPL-økosystemet
- AI-basert OCR med nanonetter
- Ta bort
Utviklingen av BNPL
Å betale for kjøp på avbetaling er ikke et nytt konsept. Angivelig utviklet på 1850-tallet, går den tidligste tilgjengelige oversikten over avbetalingsbasert kjøp i moderne historie tilbake til 1920-tallet. Misforholdet mellom den store produksjonskapasiteten i produksjonssektoren og forbrukernes etterspørsel under depresjonsperioden etter første verdenskrig resulterte i utstrakt bruk av avdragsordninger både i USA og andre steder i verden.
Hvis lavkonjunktur og tilhørende sparsommelighet drev avdragsmodellen på 1920-tallet, har ordningen fortsatt å eksistere gjennom århundret. Før den nylige pandemi-induserte økonomiske nedgangen, bidro avdragsordninger til 1 % av salget i USA alene, drevet dels av økonomiske behov og dels av umiddelbar tilfredsstillelse-utsatt-betalingsstil i det moderne liv.
Buy-Now-Pay-Later er rett og slett gammel vin på ny flaske. Med tredjeparts BNPL-leverandører som Klarna, Affirm etc., grensesnitt mellom selgere og forbrukere, har denne typen betalingsalternativer vunnet terreng de siste årene. Den nylige pandemi-induserte økonomiske nedgangen har ytterligere forbedret rekkevidden og spredningen av denne betalingsformen i detaljhandelen.
Virkemåten til BNPL
For forbrukeren
BNPL blir i økende grad brukt både på nett- og offlinemarkedet.
- På nettplattformen, når kunden velger sitt produkt og forbereder seg på å foreta et online kjøp, hvis markedsplassen har muligheten til BNPL, vil hun bli ført til et nettsted som gir mulighet for utsatt betaling, slik som vist nedenfor.
- Hvis kunden velger den rentefrie betalingen gjennom BNPL-appen, blir hun bedt om detaljer, som kan inkludere kreditt- og bankopplysninger fra BNPL-aktivereren.
- I offline-butikken fyller kunden ut et skjema manuelt med detaljer eller kommuniserer dataene til den ansatte i butikken. Detaljene legges deretter inn i en digital database av en kontorist eller kommuniserer muntlig med en kontorist som legger inn dataene i en digital form. I noen butikker leveres en nettbrett/elektronisk pute til kunden som hun fyller inn nødvendige data.
- Detaljene kontrolleres av selgeren eller en tredjepartsleverandør for gyldighet og godkjenning.
- Hvis godkjent, kan det kreves en liten forskuddsbetaling, for eksempel 25 % av det totale kjøpesummen, med påfølgende betalinger som skal betales på et senere spesifisert tidspunkt i en serie med rentefrie avdrag.
- Alle avdrag kan betales med sjekk eller bankoverføring; eller automatisk debitert fra et debetkort, bankkonto eller kredittkort.
- Forskjellen mellom BNPL-betaling og kredittkortbetaling er at førstnevnte ofte er rentefrie (men ikke alltid), og kjøpet betales helt ned i den fastsatte perioden. I kredittkort kan kreditten forlenges på ubestemt tid, med renter som påløper med økte tider.
For kjøpmannen
Selgere som ønsker å ta i bruk en BNPL-løsning kan enten sette opp et slikt system selv (selgermodell ved bruk av finanstekniker eller FinTech) eller benytte seg av en tredjeparts BNPL-leverandør (partnermodell).
Kjøpmannsmodellen er grei; selgeren inngår en avtale med kunden om å planlegge betalingen av varene som er kjøpt over mange avdrag. Det kan være en rente lagt til betalingsmetoden, avhengig av selgerens retningslinjer, verdien av de solgte varene og varigheten av avdraget.
For BNPL-leverandøren
I partnermodellen grensesnitter en tredjepart mellom selgeren og kunden og tilbyr avbetalingsalternativet. Det finnes to typer tredjeparts BNPL-løsninger – transaksjonsgebyrlån for kjøpmenn og lån med kjøperrenter:
I forhandlertransaksjonsgebyr type BNPL belastes ikke kunden noe ekstra beløp for å benytte seg av muligheten til BNPL. I stedet belastes forhandleren et gebyr som typisk er 2-8 % av kjøpesummen.
I kjøpsrentelån belastes ikke selgeren et gebyr, men kunden betaler renter som en del av avdragsordningen. Dette ligner på de tradisjonelle avdragsplanene som har eksistert i mer enn et århundre nå.
Partnermodellen fungerer vanligvis som følger:
- Når kunden velger BNPL-kjøpsalternativet, er hun pålagt å gi informasjon om beløpene for hver avdrag, perioden de betales over og betalingsmåten (kredittkort, debetkort, bankoverføring, nettbank osv. .).
- Kunden er da pålagt å oppgi riktige opplysninger som kredittkortnummer, bankkontonummer osv., som leverandøren kan bruke til å utføre en kredittsjekk av kunden.
- Når det er godkjent, anses kjøpet som fullført.
- Når kjøpsprosessen er fullført ved kundens slutt, betaler leverandøren hele kjøpesummen til selgeren, minus eventuelle gebyrer som er avtalt med selgeren.
- Tilbyderen henter de resterende avdragene direkte fra kunden til forhåndsbestemte tidsperioder.
Bruken av OCR i BNPL-økosystemet
OCR er nyttig i to trinn av BNPL-protokollen, nemlig ved dataregistreringstrinnet og på stadiet av KYC-verifisering av BNPL-leverandøren.
I offline-butikken som velger å bruke BNPL, blir kunden ofte pålagt å fylle ut et skjema med detaljer som skal legges inn på datamaskinen. Ofte er skjemaet noe slikt:
Dataene som fylles ut av kunden på skjemaet skal manuelt legges inn i et system av en ansatt i en database. BNPL-programvaren validerer deretter dataene og sender tilbake godkjenningsnotatet for videre behandling. Dette er som at kredittkortet blir sveipet og dataene blir validert for godkjenning.
BNPL-tjenesteleverandøren kan også ha stor nytte av bruken av OCR for å sjekke vedlagte KYC-dokumenter som ID, bankdetaljer osv. Disse KYC-sjekkene må skje i sanntid og automatisk datautvinning fra de opplastede dokumentene vil hjelpe deg raskt verifisering av relevante data fra disse dokumentene med kildeinformasjon.
Manuell inntasting av økonomiske data for BNPL-operasjoner har følgende problemer:
1. Høye feilrater: Rådata som ikke er fulgt av bekreftelsestrinn, har vist seg å ha en feilrate så høy som 4 %. For å sette det i perspektiv, er det 2 feil for hver femte oppføring. Eventuelle feil i økonomidetaljer kan være katastrofale for organisasjonen og kunden. De høye feilratene knyttet til manuell dataregistrering kan tilskrives en rekke årsaker, fra utilstrekkelig opplæring av dataregistreringsfagfolk til menneskelig tretthet, feiltolkning av data osv. I følge 'Data Quality Assessment' kan feil oppstå på grunn av manglende verdier, som igjen kan skape avvik i ønsket produksjon. Selv den beste dataregistreringsoperatøren er tilbøyelig til å gjøre feil når dataregistreringsoppgaven er repeterende og/eller involverer et stort datavolum. Eller selskapene må sette ut dataregistreringsoperasjonen, noe som igjen koster penger.
2. Forsinkelser: Manuell inntasting av data er tidkrevende. En god hastighet for inntasting av data fra papirdokumenter varierer mellom 10,000 15,000 og 400 8 tastetrykk per time. Komplekse data som krever forståelse før de legges inn, vil forsinke prosessen ytterligere. Å legge inn 10 dataenheter vil derfor ta en kompetent operatør mellom XNUMX og XNUMX minutter, noe som blir uakseptabelt hvis datavolumet er høyt.
3. Menneskelig kjedsomhet: Prosessen med manuell datainntasting er repeterende og kjedelig og kan være demoraliserende. Manuell inntasting av data vil dermed kunne føre til ansattes misnøye og høy turnover rate. Dette er alvorlige problemer i dagens svært konkurranseutsatte forretningsmiljø.
Det er her OCR-dataekstraksjonsprogramvare kan hjelpe
Optisk tegngjenkjenning eller OCR konverterer alle typer tekst eller informasjon lagret i digitale dokumenter til maskinlesbare data. Papirkopier og papirdokumenter kan dermed konverteres til datalesbare filformater, egnet for videre redigering eller databehandling; lette overgangen til papirløse kontorer.
OCR Utvinning av data fra ustrukturerte dokumenter
En god OCR må kunne:
- Trekk ut strukturerte, dårlig strukturerte og ustrukturerte data.
- Hent data fra flere kilder.
- Eksporter utpakkede data i ønsket format
- Vær integrert med en programvare som formidler dataene i sanntid til FinTech-enableren i virksomheten eller tredjeparts BNPL-leverandøren
En ideell måte som OCR kan brukes på for BNPL-behandling er når den er direkte integrert i FinTechs pipeline.
Fordeler med OCR i BNPL-økosystemet
- Forbedring av nøyaktighet og reduksjon av menneskelige feil: Automatisering kan eliminere mange av de menneskelige feilene som er forårsaket av forglemmelse, tretthet eller utilstrekkelig trening.
- Tidsbesparelser: Automatisering er utvilsomt raskere enn manuell utvinning av data. Kundens økonomiske data og kredittdata må overføres til finansteknikeren i sanntid for at kjøpsprosessen skal fullføres under dette besøket. Automatisert inntasting av data kan fremskynde prosessen og dermed unngå forsinkelser i kjøpsprosessen.
- Bedre kontroll og tilgang til data: En sentral plassering av strukturerte data gjør den mer tilgjengelig for alle interessenter og deltakere i virksomheten, og muliggjør dermed sammenheng i forretningsaktiviteter.
- Kostnadsfordeler: Selv om den første investeringen i OCR-automatisering kan være skremmende, kan kostnadsbesparelsene gjennom produktivitetsforbedringer, ansattes moral og tidsbesparelser kompensere for etableringskostnadene til automatiserte dataekstraksjonssystemer.
- Skalerbarhet: OCR-dataekstraksjonssystemer gir mulighet for oppskalering av virksomheten uten å bekymre deg for datavolumene som tilsvarende vil bli skalert.
AI-basert OCR med nanonetter
Nanonets er en OCR-programvare som utnytter AI- og ML-funksjoner for automatisk å trekke ut ustrukturerte/strukturerte data fra PDF-dokumenter, bilder og skannede filer. I motsetning til tradisjonelle OCR-løsninger, krever ikke Nanonets separate regler og maler for hver nye dokumenttype.
Basert på AI-drevet kognitiv intelligens, kan Nanonets håndtere semistrukturerte og til og med usynlige dokumenttyper mens de forbedres over tid. Nanonets-algoritmen og OCR-modellene lærer kontinuerlig. De kan trenes eller omskoleres flere ganger og er veldig tilpassbare. Du kan også tilpasse utdataene til kun å trekke ut spesifikke tabeller eller dataoppføringer av interesse.
Nanonets API gir høye hastigheter og stor nøyaktighet i linjeelementutvinning av data og driver automatisering for linjeelementadministrasjon. Nanonets API kan utføre følgende oppgaver:
- Nøyaktig gjenkjenning av tabellstrukturen til en artikkel som inneholder dokumenter som skjemaer.
- Alle linjeelementoppføringene som finnes i skjemaene som navn, produkt, pris, totalsum, rabatter osv.
- Dataene kan trekkes ut som JSON-utdata som kan gjøre det mulig å bygge tilpassede apper og plattformer.
Selv om den tilbyr en flott API og dokumentasjon for utviklere, er programvaren også ideell for organisasjoner uten et internt team av utviklere.
Fordelene ved å bruke Nanonets fremfor annen automatisert OCR-programvare går langt utover kostnadsbesparelser, nøyaktighet og skala. Nanonets gir i tillegg unike fordeler som plasserer den langt foran konkurrentene:
- Et virkelig kodefritt verktøy
- Enkel integrasjon av Nanonets med de fleste CRM-, ERP-, innholdstjenester eller RPA-programvare.
- Ingen etterbehandling nødvendig: Nanonets OCR kan gjenkjenne håndskrevet tekst, bilder av tekst på flere språk samtidig, bilder med lav oppløsning, bilder med nye eller kursive fonter og varierende størrelser, bilder med skyggetekst, skråstilt tekst, tilfeldig ustrukturert tekst, bilde støy, uskarpe bilder og mer.
- Jobber med tilpassede data gjennom bruk av tilpassede data for opplæring av OCR-modeller.
- Gjenkjenning av flere inndata: Nanonets OCR kan gjenkjenne håndskrevet tekst, bilder av tekst på flere språk samtidig, bilder med lav oppløsning, bilder med nye eller kursive fonter og varierende størrelser, bilder med skyggetekst, skråstilt tekst, tilfeldig ustrukturert tekst, bildestøy, uskarpe bilder og flere språk
- Uavhengighet fra formater: Nanonetter er ikke bundet av dokumentmalen i det hele tatt. Du kan fange data kognitivt i tabeller eller linjeelementer eller et hvilket som helst annet format!
Ta bort
Forbrukerlandskapet har endret seg enormt de siste 20 årene, spesielt de siste to årene med pandemi-induserte nedstengninger og økonomiske nedgangstider. Fra et område som en gang var avhengig av kontantkjøp til et område som nå fullt ut omfavner digitalisering av transaksjoner, går markedsplassen gjennom en transformasjon som gjør at den kan utnytte teknologi og nye innovasjoner til sitt fulle potensial. BNPL-tilnærmingen er det neste logiske trinnet i utviklingen av butikklokaler. Bruken av OCR i BNPL-arbeidsflyten kommer med overbevisende fordeler som tids- og kostnadsbesparelser, strømlinjeformet godkjenningsprosess og til slutt bedre bruk av selgere
- &
- 000
- 20 år
- Om oss
- adgang
- Ifølge
- Logg inn
- tvers
- Aktiviteter
- Adopsjon
- Annonse
- Avtale
- AI
- algoritme
- Alle
- tillate
- beløp
- beløp
- api
- app
- tilnærming
- apps
- Automatisert
- Automatisering
- tilgjengelig
- Bank
- bankkonto
- bankoverføring
- Banking
- være
- Fordeler
- BEST
- Svart
- Bygning
- virksomhet
- kjøpe
- Kjøpe
- evner
- Kapasitet
- Kort
- Kontanter
- ladet
- kontroll
- Sjekker
- kognitiv
- Selskaper
- overbevisende
- konkurranse
- komplekse
- konsept
- forbruker
- Forbrukere
- innhold
- bidratt
- kontroll
- Kostnader
- kunne
- kreditt
- kredittkort
- Kredittkort
- dato
- databehandling
- Database
- datoer
- Bankkort
- forsinkelse
- forsinkelser
- Etterspørsel
- depresjon
- Gjenkjenning
- utviklet
- utviklere
- digitalt
- digitalisering
- dokumenter
- ned
- drevet
- Tidlig
- økonomisk
- økonomisk nedgang
- eliminere
- kom inn
- Går inn
- Miljø
- evolusjon
- raskere
- avgifter
- finansiere
- finansiell
- Økonomiske data
- fintech
- passer
- flyten
- etter
- skjema
- skjemaer
- fullt
- framtid
- skal
- god
- varer
- flott
- hjelpe
- Høy
- svært
- historie
- Hvordan
- HTTPS
- bilde
- inkludere
- økt
- informasjon
- integrert
- integrering
- Intelligens
- interesse
- investering
- IT
- Klarna
- KYC
- landskap
- språk
- stor
- føre
- LÆRE
- utnytter
- linje
- Lån
- plassering
- låser
- ser
- Making
- ledelse
- Mantra
- håndbok
- manuelt
- produksjon
- markedsplass
- Kjøpmann
- Merchants
- ML
- modell
- modeller
- penger
- mest
- Bråk
- Antall
- hav
- tilby
- tilby
- Tilbud
- på nett
- nettbank
- Drift
- Alternativ
- alternativer
- organisasjon
- organisasjoner
- Annen
- betalt
- pandemi
- Papir
- deltakere
- partner
- Betale
- betaling
- betalinger
- perioder
- perspektiv
- plattform
- Plattformer
- Politikk
- Populær
- presentere
- pris
- problemer
- prosess
- Produkt
- Produksjon
- produktivitet
- fagfolk
- protokollen
- gi
- gir
- Kjøp
- kjøpt
- kjøp
- kvalitet
- priser
- Raw
- sanntids
- grunner
- resesjon
- gjenkjenne
- rekord
- krever
- påkrevd
- detaljhandel
- Sør-Afrika
- regler
- salg
- Skala
- skalering
- ordningen
- sektor
- Serien
- tjeneste
- Tjenester
- sett
- innstilling
- lignende
- nettstedet
- liten
- Software
- solgt
- Solutions
- noe
- Rom
- mellomrom
- spre
- Scene
- lager
- oppbevare
- butikker
- stil
- system
- Systemer
- oppgaver
- lag
- Teknologi
- verden
- tredjeparts
- Gjennom
- tid
- tidkrevende
- tradisjonelle
- Kurs
- Transaksjonen
- Transaksjoner
- Transformation
- unik
- us
- bruke
- verdi
- leverandører
- Verifisering
- volum
- Hva
- HVEM
- uten
- virker
- verden
- år