Şimdi satın al, sonra öde platformunu başlatmak istiyorsunuz: Başarı için 3 adım

Perakendecilerin ve borç verenlerin kalplerinde ve zihinlerinde, şimdi al, sonra öde (BNPL) platformlarının uygulanabilirliği konusunda herhangi bir şüphe kaldıysa, geçen tatil sezonunda dinlenmeye çekildiler. 2021’in sonunda, alışveriş yapanlar 20 milyar doların üzerinde Bu satış noktası kredi tekliflerini, hemen satın alma yapmak ve kısa vadeli finansman yoluyla gelecekteki bir tarihte ödeme yapmak için kullanmak.

O zamandan beri BNPL, en sıcak tüketici trendleri gezegende, öngörülen 2025 yılına kadar dünya çapında 680 milyar dolara kadar işlem hacmi oluşturmak ve her türlü bankayı, fintech’i, perakendeciyi ve e-ticaret platformunu harekete geçmeye teşvik etmek. Bununla birlikte, birçoğu için, başarılı BNPL programları geliştirmenin yolu, BNPL önerisinin temel sorununu hızla ortaya çıkaran engellerle dolu: Bu, daha önce gelen başka hiçbir kredi verme biçimine benzemiyor.

Yetersiz müşteri verilerine dayalı gerçek zamanlı kredi onaylarının yürütülmesinden kredi tekliflerini ölçeklendirmeye ve kusursuz bir müşteri deneyimi sunmaya kadar, gerçek dünyadaki BNPL uygulaması, çok az kredi verenin ve tüccarın çok fazla deneyime sahip olduğu karmaşık bir dizi operasyonel zorluk sunar. Sonuç olarak, birçok acemi çaba mücadele etti yerden kalkmak için.

Neyse ki, güçlü BNPL programlarını uygulamak için bazı en iyi uygulamaları oluşturan alana yönelik bazı başarılı erken girişler de oldu. Ekibimin büyük ölçekli BNPL girişimleri geliştirme çalışmasına dayanarak, en önemli tek dersin, BNPL programının kullanıma sunulmasına küçük adımlarla başlamak, emekleme, yürüme, koşma yaklaşımı olduğunu öğrendim, bu da programın büyüdükçe öğrenmesini sağlar.

Adım 1: Kredi yelpazenizi genişletin, kredi teklifinizi daraltın

Herhangi bir BNPL senaryosundaki en büyük zorluk, minimum müşteri verisine dayalı olarak risk iştahını hızla belirlemektir. Bu, ayrıntılı kredi uygulamaları ve kredi bürosuna dayalı risk puanlama standartları ile geleneksel kredi kararlarının alanı değildir. Tipik bir BNPL senaryosunda, büyük ölçüde bilinmeyen bir müşteri ürünlere çevrimiçi göz atıyor, bunları bir alışveriş sepetine ekliyor ve işlemi mümkün olduğunca az tıklamayla tamamlamayı bekliyor. Perakendeci bir BNPL ödeme seçeneği sunabilmeli, anlık kredi kararı verebilmeli ve işlemi birkaç saniye içinde gerçekleştirebilmelidir.

Bu, anlık kârlılıktan ziyade müşteri yaşam boyu değeri oluşturmaya odaklanan, doğası gereği yüksek riskli bir öneridir. Programın ilk aşamalarında, bir perakendeci, muhtemelen nispeten daha yüksek riskli katmanlardaki müşterileri onaylamayı içerecek geniş bir ağ oluşturmak isteyecektir. Bu kulağa mantıksız gelebilir, ancak başlangıçta daha fazla risk almak, BNPL teklifinin çekiciliğini korumak için kritik öneme sahiptir ve süreçte toplanan müşteri verileri, programın geleceğini bilgilendirmeye ve yönlendirmeye yardımcı olacaktır.

Bu risk, her müşteriye gösterilen BNPL tekliflerinin dolar tutarını özenle kontrol ederek ve programın kapsamını toplam risk iştahına dayalı olarak sınırlamak için korkulukları yerinde tutarak dengelenir.

Adım 2: Alternatif veri kümelerini dahil edin

Program çalışmaya başlarken, sigortalama ve kimlik doğrulama süreçlerinin optimizasyonunu besleyebilecek müşteri satın alma geçmişi, teklif kabul davranışı, bağlılık üyeliği katmanı vb. gibi satıcıya özel verileri almaya ve yakalamaya başlamak çok önemlidir. . Bu bilgilerin, sistemi gerçek dünya verilerine dayalı olarak “eğitmek” için banka hesap özetleri, kamu hizmeti raporlaması ve gelir raporlaması gibi diğer alternatif veri kaynaklarıyla birlikte doğrudan borç veren risk algoritmalarına entegre edilmesi gerekir.

Sonuç olarak, BNPL programlarının, her yeni işlemden elde edilen verilere dayalı olarak kendi gerçek zamanlı tarama ve risk derecelendirme araçlarını yeniden oluşturarak geleneksel kredi puanının ötesine rahatça geçmesi gerekir. Bu, sistemin büyüdükçe daha akıllı olmasını sağlar.

3. Adım: Riski yönetmek için optimize edin

Sistem birkaç ay boyunca faaliyete geçtiğinde ve perakendeciler ve borç verenler tüketici davranışlarını toplama ve analiz etme konusunda dikkatli olduklarında, müşterilere bireysel risk puanlarına göre kişiselleştirilmiş BNPL tekliflerini hizalayan bir optimizasyon modeli geliştirmek mümkün olacaktır. Programın gerçek gücü burada kendini göstermeye başlar.

Yükleniciliğe yönelik bu gerçek zamanlı, model odaklı yaklaşımla, BNPL platformları sunan tüccarlar ve borç verenler, yalnızca bireysel müşteri düzeyinde özel teklifleri ince ayar yapmakla kalmayacak; ayrıca müşteri davranışını anlamak için daha önce yapılmış olanlardan çok daha ayrıntılı ve nüanslı bir risk çerçevesi geliştirmiş olacaklardır.

Riskle ilişkimizi yeniden düzenlemek

BNPL formülünü doğru bir şekilde elde etmek, geleneksel kredi riski anlayışımızın temelden gözden geçirilmesini gerektirir. Çoğu geleneksel kredi ürünü, tek bir ürün için bir kerelik risk değerlendirmesini içerirken, BNPL programlarının, zaman içinde farklı noktalarda meydana gelen müşteri düzeyinde birden fazla işlemi yönetmesi gerekir. Geleneksel tüketici kredisi modellerinin ön riski değerlendirmeye odaklandığı durumlarda, BNPL programları, arka uçta son derece kişiselleştirilmiş bir veri hazinesi karşılığında ön uçta hesaplanmış bir inanç sıçraması gerektirir. Doğru yapıldığında, geleneksel bilgeliğe dönüş, tüketici katılımında devrim yaratma gücüne sahiptir. Yanlış yapıldığında, en hırslı borç veren oyuncuları bile rahatsız edecek riskler yaratır. İkisi arasındaki fark, riski kontrol etmek için gerekli verileri kullanma yeteneğidir.

Vikas Sharma, Kıdemli Başkan Yardımcısı ve Bankacılık Analitiği Uygulama Lideridir. EXL.