Pandemin och den tillhörande ekonomiska krisen har resulterat i en nyligen uppsving i köp-Now-Pay-Later (BNPL)-systemet för köp. Som namnet antyder är BNPL en form av kortfristiga lån, ofta räntefria, men ibland med dolda kostnader, som gör att konsumenterna kan göra inköp och betala för dem vid ett framtida datum. Dessa är en typ av avbetalning på försäljningsstället (eller "avbetalning" beroende på vilken sida av Atlanten du tillhör) betalningssystem som blir alltmer populära alternativ, både online och offline.
Låt oss lära oss om vad BNPL är, hur leverantörer kan använda och dra nytta av det, och passformen av Nanonets i scenen.
Innehållsförteckning
- Utvecklingen av BNPL
- BNPL:s funktion
- Användningen av OCR i BNPL-ekosystemet
- OCR Extrahering av data från ostrukturerade dokument
- Fördelar med OCR i BNPL-ekosystemet
- AI-baserad OCR med nanonnät
- Ta bort
Utvecklingen av BNPL
Att betala för köp på avbetalning är inget nytt koncept. Enligt uppgift utvecklad på 1850-talet, går den tidigaste tillgängliga registreringen av avbetalningsbaserade köp i modern historia tillbaka till 1920-talet. Oöverensstämmelsen mellan den stora produktionskapaciteten i tillverkningssektorn och konsumenternas efterfrågan under depressionsperioden efter första världskriget resulterade i en omfattande användning av avbetalningsplaner både i USA och på andra håll i världen.
Om lågkonjunktur och tillhörande sparsamhet drev avbetalningsmodellen på 1920-talet, har systemet fortsatt att existera under seklet. Före den senaste ekonomiska nedgången som orsakats av pandemin bidrog avbetalningssystem till 1 % av försäljningen enbart i USA, dels drivet av ekonomiska behov och dels av det moderna livets omedelbara tillfredsställelse-uppskjutna betalningar.
Buy-Now-Pay-Later är helt enkelt gammalt vin på en ny flaska. Med tredjeparts BNPL-leverantörer som Klarna, Affirm etc., gränssnitt mellan handlare och konsumenter, har den här typen av betalningsalternativ vunnit mark under de senaste åren. Den senaste tidens pandemi-inducerade ekonomiska nedgången har ytterligare ökat räckvidden och spridningen av denna form av betalning i detaljhandeln.
BNPL:s funktion
För konsumenten
BNPL används alltmer både på online- och offlinemarknaden.
- På onlineplattformen, när kunden väljer sin produkt och förbereder sig för att göra ett onlineköp, om marknadsplatsen har möjlighet till BNPL, skulle hon tas till en webbplats som ger möjlighet till uppskjuten betalning som den som visas nedan.
- Om kunden väljer den räntefria betalningen via BNPL-appen, ombeds hon ange detaljer, som kan inkludera kredit- och bankuppgifter av BNPL-aktiveraren.
- I offlinebutiken fyller kunden i ett formulär manuellt med detaljer eller kommunicerar data till butikens medarbetare. Uppgifterna läggs sedan in i en digital databas av en kontorist eller kommunicerar muntligt med en kontorist som matar in uppgifterna i en digital form. I vissa butiker tillhandahålls en surfplatta/elektronisk dyna till kunden där hon fyller i de uppgifter som krävs.
- Uppgifterna kontrolleras av handlaren eller en tredjepartsleverantör för giltighet och godkännande.
- Om det godkänns kan en liten handpenning, såsom 25 % av det totala köpesumman, krävas, med efterföljande betalningar som ska betalas vid en senare angiven tidpunkt i en serie räntefria delbetalningar.
- Alla delbetalningar kan betalas med check eller banköverföring; eller automatiskt debiteras från ett betalkort, bankkonto eller kreditkort.
- Skillnaden mellan BNPL-betalning och kreditkortsbetalning är att det förstnämnda ofta är räntefritt (men inte alltid), och köpet betalas av helt under den angivna perioden. På kreditkort kan krediten förlängas på obestämd tid, med ränta som tillkommer med ökade tider.
För handlaren
Säljare som vill anta en BNPL-lösning kan antingen sätta upp ett sådant system själva (säljarmodell med ekonomitekniker eller FinTech) eller använda en tredjeparts BNPL-leverantör (partnermodell).
Köpmannamodellen är okomplicerad; handlaren ingår ett avtal med kunden om att planera betalningen av de köpta varorna över många delbetalningar. Det kan eller kanske inte tillkommer en ränta till betalningsmetoden, beroende på handlarens policy, värdet på de sålda varorna och delbetalningens varaktighet.
För BNPL-leverantören
I partnermodellen samverkar en tredje part mellan handlaren och kunden och erbjuder avbetalningsalternativet. Det finns två typer av tredjeparts BNPL-lösningar – transaktionsavgiftslån för handlare och lån för shopparränte:
I handelstransaktionsavgift typ BNPL debiteras kunden inte något extra belopp för att utnyttja alternativet BNPL. Istället debiteras handlaren en avgift som vanligtvis är 2-8 % av köpesumman.
I köpräntelån debiteras handlaren ingen avgift, utan kunden betalar ränta som en del av sin avbetalningsplan. Detta liknar de traditionella avbetalningsplanerna som har funnits i mer än ett sekel nu.
Partnermodellen fungerar vanligtvis enligt följande:
- När kunden väljer köpalternativet BNPL är hon skyldig att tillhandahålla information om beloppen för varje delbetalning, under vilken period de betalas och betalningssätt (kreditkort, betalkort, banköverföring, nätbank, etc. .).
- Kunden måste då tillhandahålla lämpliga uppgifter såsom kreditkortsnummer, bankkontonummer etc., med hjälp av vilket leverantören kan utföra en kreditprövning av kunden.
- När köpet har godkänts anses det vara slutfört.
- När köpprocessen är slutförd vid kundens slut, betalar leverantören hela köpbeloppet till handlaren, minus eventuella avgifter som har avtalats med handlaren.
- Leverantören hämtar de återstående delbetalningarna direkt från kunden vid de förutbestämda tidsperioderna.
Användningen av OCR i BNPL-ekosystemet
OCR är användbar i två steg av BNPL-protokollet, nämligen vid datainmatningssteget och vid stadiet av KYC-verifiering av BNPL-leverantören.
I den offlinebutik som väljer att använda BNPL krävs ofta att kunden fyller i ett formulär med uppgifter som ska matas in i datorn. Ofta är formen ungefär så här:
Uppgifterna som kunden fyller i på formuläret måste manuellt matas in i ett system av en anställd i en databas. BNPL-mjukvaran validerar sedan data och skickar tillbaka godkännandenoten för vidare bearbetning. Det är som att kreditkortet dras och data valideras för godkännande.
BNPL-tjänsteleverantören kan också ha stor nytta av användningen av OCR för att kontrollera de bifogade KYC-dokumenten såsom ID, bankuppgifter etc. Dessa KYC-kontroller måste ske i realtid och automatisk dataextraktion från de uppladdade dokumenten kommer att hjälpa till i det snabba verifiering av relevanta uppgifter från dessa dokument med källinformation.
Manuell inmatning av finansiella data för BNPL-verksamhet har följande problem:
1. Höga felfrekvenser: rådatainmatning som inte följs av verifieringssteg har visat sig ha en så hög felfrekvens som 4 %. För att sätta det i perspektiv finns det två fel för var femte inmatning. Alla fel i ekonomidetaljer kan vara katastrofala för organisationen och kunden. De höga felfrekvenserna förknippade med manuell datainmatning kan tillskrivas en mängd olika orsaker, från otillräcklig utbildning av datainmatningspersonal till mänsklig trötthet, feltolkning av data, etc. Enligt 'Data Quality Assessment' kan fel uppstå på grund av saknade värden, vilket i sin tur kan skapa avvikelser i den önskade produktionen. Även den bästa datainmatningsoperatören är benägen att göra misstag när datainmatningsuppgiften är repetitiv och/eller involverar en stor mängd data. Eller så skulle företagen behöva lägga ut datainmatningen på entreprenad, vilket återigen kostar pengar.
2. Förseningar: Manuell inmatning av data är tidskrävande. En bra datainmatningshastighet från pappersdokument varierar mellan 10,000 15,000 och 400 8 tangenttryckningar per timme. Komplexa data som kräver förståelse innan de matas in, skulle försena processen ytterligare. Att mata in 10 dataenheter skulle alltså ta en kompetent operatör mellan XNUMX och XNUMX minuter, vilket blir oacceptabelt om mängden data är hög.
3. Mänsklig tristess: Processen med manuell datainmatning är repetitiv och tråkig och kan vara demoraliserande. Manuell inmatning av uppgifter kan därmed leda till missnöje hos anställda och hög omsättningshastighet. Dessa är allvarliga problem i dagens mycket konkurrensutsatta affärsmiljö.
Det är här OCR-dataextraktionsprogramvaran kan hjälpa
Optisk teckenigenkänning eller OCR konverterar all typ av text eller information som lagras i digitala dokument till maskinläsbar data. Papperskopior och pappersdokument kan därmed konverteras till datorläsbara filformat, lämpliga för vidare redigering eller databehandling; underlätta övergången till papperslösa kontor.
OCR Extrahering av data från ostrukturerade dokument
En bra OCR måste kunna:
- Extrahera strukturerad, dåligt strukturerad och ostrukturerad data.
- Hämta data från flera källor.
- Exportera extraherade data i önskat format
- Var integrerad med en programvara som förmedlar data i realtid till FinTech-möjligatorn i företag eller tredje part BNPL-leverantör
Ett idealiskt sätt på vilket OCR kan användas för BNPL-bearbetning är när den är direkt integrerad i FinTechs pipeline.
Fördelar med OCR i BNPL-ekosystemet
- Förbättring av noggrannhet och minskning av mänskliga fel: Automation kan eliminera många av de mänskliga fel som orsakas av förbiseende, trötthet eller otillräcklig träning.
- Tidsbesparingar: Automatisering är utan tvekan snabbare än manuell extrahering av data. Kundens finansiella data och kredituppgifter måste överföras till ekonomiteknikern i realtid för att köpprocessen ska slutföras under detta besök. Automatisk inmatning av data kan påskynda processen och därmed undvika förseningar i köpprocessen.
- Bättre kontroll och tillgång till data: En centraliserad lokalisering av strukturerad data gör den mer tillgänglig för alla intressenter och deltagare i verksamheten, vilket möjliggör enhetlighet i affärsverksamheten.
- Kostnadsfördelar: Även om den initiala investeringen i OCR-automatisering kan vara skrämmande, kan kostnadsbesparingarna genom produktivitetsförbättringar, anställdas moral och tidsbesparingar kompensera för installationskostnaderna för automatiserade dataextraktionssystem.
- Skalbarhet: OCR-dataextraktionssystem erbjuder utrymme för uppskalning av verksamheten utan att oroa dig för mängden data som skulle skalas på motsvarande sätt.
AI-baserad OCR med nanonnät
Nanonets är en OCR-mjukvara som utnyttjar AI- och ML-funktioner för att automatiskt extrahera ostrukturerad/strukturerad data från PDF-dokument, bilder och skannade filer. Till skillnad från traditionella OCR-lösningar kräver Nanonets inte separata regler och mallar för varje ny dokumenttyp.
Med hjälp av AI-driven kognitiv intelligens kan Nanonets hantera semistrukturerade och till och med osynliga dokumenttyper samtidigt som de förbättras över tiden. Nanonets algoritm & OCR-modeller lär sig kontinuerligt. De kan tränas eller omskolas flera gånger och är mycket anpassningsbara. Du kan också anpassa utdata för att bara extrahera specifika tabeller eller dataposter av ditt intresse.
Nanonets API ger höga hastigheter och stor noggrannhet i radextraktion av data och driver automatisering för radhantering. Nanonets API kan utföra följande uppgifter:
- Exakt identifiering av tabellstrukturen för en rad som innehåller dokument som formulär.
- Alla radposter som finns i formulären som namn, produkt, pris, totalsumma, rabatter, etc.
- Data kan extraheras som JSON-utdata som kan möjliggöra byggandet av anpassade appar och plattformar.
Medan den erbjuder ett bra API och dokumentation för utvecklare, är programvaran också idealisk för organisationer utan eget team av utvecklare.
Fördelarna med att använda Nanonets framför andra automatiserade OCR-programvara går långt utöver kostnadsbesparingar, noggrannhet och skala. Nanonets ger dessutom unika fördelar som placerar den långt före konkurrenterna:
- Ett verkligt verktyg utan kod
- Enkel integrering av Nanonets med de flesta CRM-, ERP-, innehållstjänster eller RPA-programvara.
- Ingen efterbehandling behövs: Nanonets OCR kan känna igen handskriven text, bilder av text på flera språk samtidigt, bilder med låg upplösning, bilder med nya eller kursiva teckensnitt och varierande storlekar, bilder med skuggig text, lutad text, slumpmässig ostrukturerad text, bild brus, suddiga bilder och mer.
- Arbetar med anpassade data genom att använda anpassade data för att träna OCR-modeller.
- Multipel indataigenkänning: Nanonets OCR kan känna igen handskriven text, bilder av text på flera språk samtidigt, bilder med låg upplösning, bilder med nya eller kursiva teckensnitt och varierande storlekar, bilder med skuggig text, lutad text, slumpmässig ostrukturerad text, bildbrus, suddiga bilder och flera språk
- Oberoende av format: Nanonets är inte alls bundna av dokumentmallen. Du kan fånga data kognitivt i tabeller eller rader eller något annat format!
Ta bort
Konsumentlandskapet har förändrats enormt under de senaste 20 åren, särskilt under de senaste två åren av pandemi-inducerade nedstängningar och ekonomiska nedgångar. Från ett utrymme som en gång var beroende av kontantköp till ett som nu fullt ut omfattar digitalisering av transaktioner, marknadsplatsen genomgår en transformation som gör att den kan utnyttja teknologi och nya innovationer till sin fulla potential. BNPL-metoden är nästa logiska steg i utvecklingen av butiksutrymmet. Användningen av OCR i BNPL-arbetsflödet kommer med övertygande fördelar som tids- och kostnadsbesparingar, strömlinjeformad godkännandeprocess och i slutändan bättre användning av handlare
- &
- 000
- 20 år
- Om oss
- tillgång
- Enligt
- Konto
- tvärs
- aktiviteter
- Antagande
- Annons
- Avtal
- AI
- algoritm
- Alla
- tillåta
- mängd
- mängder
- api
- app
- tillvägagångssätt
- appar
- Automatiserad
- Automation
- tillgänglig
- Bank
- bankkonto
- banköverföring
- Banking
- Där vi får lov att vara utan att konstant prestera,
- Fördelarna
- BÄST
- Svart
- Byggnad
- företag
- Köp
- Uppköp
- kapacitet
- Kapacitet
- Kort
- Kontanter
- laddad
- kontroll
- Kontroller
- kognitiv
- Företag
- övertygande
- konkurrens
- komplex
- begrepp
- Konsumenten
- konsumenter
- innehåll
- bidrog
- kontroll
- Kostar
- kunde
- kredit
- kreditkort
- Kreditkort
- datum
- databehandling
- Databas
- Datum
- Kontokort
- fördröja
- fördröjningar
- Efterfrågan
- depression
- Detektering
- utvecklade
- utvecklare
- digital
- digitalisering
- dokument
- ner
- driven
- Tidig
- Ekonomisk
- ekonomisk svacka
- eliminera
- gick in i
- Går in
- Miljö
- Utvecklingen
- snabbare
- avgifter
- finansiering
- finansiella
- finansiella data
- fintech
- passa
- flöda
- efter
- formen
- former
- full
- framtida
- kommer
- god
- varor
- stor
- hjälpa
- Hög
- höggradigt
- historia
- Hur ser din drömresa ut
- HTTPS
- bild
- innefattar
- ökat
- informationen
- integrerade
- integrering
- Intelligens
- intresse
- investering
- IT
- Klarna
- KYC
- liggande
- Språk
- Large
- leda
- LÄRA SIG
- hävstångs
- linje
- Lån
- läge
- inlåsningar
- du letar
- Framställning
- ledning
- Mantra
- manuell
- manuellt
- Produktion
- marknadsplats
- Merchant
- Merchants
- ML
- modell
- modeller
- pengar
- mest
- Brus
- antal
- hav
- erbjudanden
- erbjuda
- Erbjudanden
- nätet
- Internetbank
- Verksamhet
- Alternativet
- Tillbehör
- organisation
- organisationer
- Övriga
- betalas
- pandemi
- Papper
- deltagare
- partnern
- Betala
- betalning
- betalningar
- perioder
- perspektiv
- plattform
- Plattformar
- Strategier
- Populära
- presentera
- pris
- problem
- process
- Produkt
- Produktion
- produktivitet
- yrkesmän/kvinnor
- protokoll
- ge
- ger
- inköp
- köpt
- inköp
- kvalitet
- rates
- Raw
- realtid
- skäl
- lågkonjunktur
- känner igen
- post
- kräver
- Obligatorisk
- detaljhandeln
- rpa
- regler
- försäljning
- Skala
- skalning
- ordningen
- sektor
- Serier
- service
- Tjänster
- in
- inställning
- liknande
- webbplats
- Small
- Mjukvara
- säljs
- Lösningar
- något
- Utrymme
- utrymmen
- spridning
- Etapp
- lager
- lagra
- lagrar
- stil
- system
- System
- uppgifter
- grupp
- Teknologi
- världen
- tredje part
- Genom
- tid
- tidskrävande
- traditionell
- Utbildning
- transaktion
- Transaktioner
- Transformation
- unika
- us
- användning
- värde
- försäljare
- Verifiering
- volym
- Vad
- VEM
- utan
- fungerar
- världen
- år