Jak gigant BNPL z Indonezji wykorzystuje naukę o danych do napędzania innowacji

Nauka o danych i uczenie maszynowe to obecnie jedne z najbardziej złożonych, ale ważnych koncepcji biznesowych. A wiele firm, niezależnie od swojej niszy, polega na nich, aby zapewnić swoim klientom lepsze wrażenia użytkownika.

Ale jaką rolę odgrywa nauka o danych i uczenie maszynowe w rozwoju innowacyjnych systemów finansowych, zwłaszcza w krajach takich jak Indonezja?

Brak danych dotyczących historii kredytowej w połączeniu z powszechnym korzystaniem z telefonów komórkowych w Indonezji stanowi idealne miejsce dla firm z branży fintech na dostarczanie zaawansowanych, przyjaznych dla użytkownika rozwiązań finansowych dla konsumentów.

W tym epizod z Data Point of View, Laurie Hood, dyrektor ds. marketingu w Mobilewalla, rozmawiała z Joelem Samuelem, wiceprezesem, szefem inżyniera uczenia maszynowego w FinAccel, spółce macierzystej indonezyjskiej platformy Kredivo Kup teraz, zapłać później (BNPL).

Dyskutowali o znaczeniu uczenia maszynowego i nauki o danych w osiąganiu celów biznesowych i zapewnianiu lepszego doświadczenia użytkownika, wyzwaniach związanych ze znalezieniem specjalistów od nauki o danych, rozwoju fintech i e-commerce w Azji Południowo-Wschodniej, a także o istocie rozpoczynania od małych rzeczy.

Kluczowe spostrzeżenia z podcastu

Istnieją dwa główne powody, dla których warto oferować lepsze rozwiązania w Indonezji

Joel i FinAccel dążą do zapewnienia lepszych rozwiązań fintech na rynku indonezyjskim z dwóch powodów.

„Pierwszy to niska penetracja kart kredytowych w Indonezji. W porównaniu z naszą populacją jest tylko 17 milionów kart kredytowych, co stanowi obecnie około 250 milionów. Tak więc na jednego mieszkańca przypada tylko 0.07 karty kredytowej. Jest naprawdę niski. Drugi to wysoka penetracja telefonów komórkowych.

Obecnie Indonezja ma ponad 119 milionów telefonów komórkowych. To prawie 0.8 telefonów komórkowych na mieszkańca. Więc to słodkie miejsce. Masz telefon komórkowy, ale nie masz karty kredytowej.”

Wierzymy w „szybkie porażki i szybkie uczenie się”.

Joel i jego zespół mocno wierzą, że projekty powinny być realizowane stopniowo. W ten sposób, nawet jeśli ci się nie uda, będziesz miał okazję szybko nauczyć się na swoim błędzie.

„Możemy wykryć, czy coś jest nie tak z modelem, który wprowadziliśmy do produkcji. Naprawdę wierzymy również w „szybkie porażki i szybkie uczenie się”.

Zawsze popychamy produkcję krok po kroku, aby zobaczyć efekt i wpływ modelu. Tak więc zaczynamy od prostych rzeczy i małych rzeczy”.

Według Joela,

„Handel elektroniczny w Indonezji kwitnie, a kraj ma trzy lub cztery „jednorożce”, które zaczęły opierać się na handlu elektronicznym. Jednym z wyzwań związanych z e-commerce, nie tylko w Indonezji, ale na całym świecie, jest porzucanie koszyków.

I ten problem dotyczy bardziej opcji płatności lub kanałów płatności. Większość ludzi porzuca koszyk, ponieważ ma kłopoty z płatnością – to najlepsze miejsce w FinAccel”.

Odnosząc się do poglądu kierownictwa wyższego szczebla na naukę danych, Joel podzielił się, że „od początku mieliśmy poparcie od najwyższego poziomu, myśląc, że jeśli chcemy zakłócić działanie najlepszego gracza na rynku, takiego jak bank lub firma multifinansowa, która już istnieje, jedyne, co możemy zrobić, to wprowadzić metodologię analizy danych.

Wyjaśnił, że rozwiązują problem w lepszy sposób, ponieważ kierownictwo firmy uważa, że ​​data science to wielka szansa.

„Ale nawet jeśli już zdefiniowaliśmy nasz cel lub inicjatywę, która pochodzi od najwyższego kierownictwa, musimy udowodnić, że jesteśmy w stanie dostarczyć tę inicjatywę lub wpisowe już od pierwszej jednostki”.

Wyzwaniem dla zespołów data science jest budowanie zaufania organizacyjnego. W FinAccel zespół odbywał regularne spotkania z dyrektorem operacyjnym i dyrektorem generalnym przez pierwsze dwa lata, w których zespół prezentował swoje wyniki.

Mają również dobry przepływ pracy i strukturę monitorowania, dzięki czemu mogą szybko wykryć, czy coś jest nie tak z modelem, który został przekazany do produkcji.

Joel i jego zespół zdobyli pewność siebie, zaczynając od małego problemu, szybko przechodząc do produkcji, a następnie szybko widząc wyniki.

W ten sposób kierownictwo może natychmiast zobaczyć wpływ swojego podejścia do nauki o danych.

Obejrzyj podcast Data Point of View firmy Mobilewalla z udziałem Laurie Hood i Joela Samuela tutaj.