지능형 재가격 책정을 통한 유지 및 수집 성능 개선

산업 분야: 금융 서비스

업무 기능: 운영

결제 처리기는 소규모 및 중소형 상인들로부터의 수익을 높이기 위해 수집을 최적화하고, 덜 민감한 상인들에게 가격을 재조정하고, 이탈 위험이 있는 고가치 고객을 유지하려고 했습니다. 엄청난 규모의 파편화된 데이터 환경으로 인해 이러한 아이디어를 실행하기 위한 분석을 수행할 수 없었습니다.

도전 과제

이 처리기가 운영하는 규모에서는 주로 두 가지 도전 과제가 있었습니다:

• 수집을 위한 상인들을 우선 순위로 또는 순위로 지정하는 효과적인 방법이 없음
• 상인에게 가장 적합한 요율 및 수수료를 결정할 능력이 제한적

해결책

• 상인 활동에 대한 완전한 전체보기 — 회사는 고객 활동, 가격, 결제 단말기, 청구, 사기 및 신용 기록에 대한 대량의 통합 데이터를 통해 고객 기반에 대한 전례 없는 이해를 개발했습니다.

• 개선된 수집 — 분석가들은 계정을 지불할 가능성에 따라 평가하는 통계 모델을 개발합니다. 높은 가능성 계정은 내부 수집 팀으로 라우팅되고, 낮은 가능성 계정은 제3자 수집 업체에게 참조됩니다.

• 새로운 가격 전략 — 분석가들은 고객 유지에 대한 다양한 수수료 구조의 영향을 평가하기 위해 대규모 분석을 수행합니다. 영업팀은 이러한 통찰력을 활용하여 새로운 계정의 가격을 더 잘 책정하고 기존 계정의 가격을 재조정하여 이탈을 방지합니다.

이해 관계자 및 사용자 그룹

• 상인 수집 팀
• 금융 분석가
• 데이터 사이언티스트
• 영업 팀

금융 분석가는 Foundry를 사용하여 상인들에 대한 재가격 책정을 통해 유지를 보장하면서도 수익을 극대화하는 연습을 수행합니다.

영향

• 회수 불능 계정을 제3자에게 필터링하고 매우 회수 가능한 고가치 계정을 우선 순위로 정렬하여 수집 성능을 향상시켰습니다. 개선된 우선 순위로 인해 매년 추가 수집 달러가 수백만 달러가 예상되었습니다.
• 재가격 모델은 상인들에 대한 재가격 연습을 촉진하여 유지를 높이고 목표 수익 이상의 수백만 달러를 추가로 창출했습니다.

제작 방법

• 고객 관계 관리 (CRM) 시스템 및 기타 데이터 소스를 통합하여 상인 활동을 이해하기 위한 단일 Foundry 온톨로지를 생성합니다. 고객, 그들의 활동, 가격, 결제 단말기, 청구, 사기, 신용 기록 등에 대한 오브젝트와 관계가 생성되었습니다.
• Contour 및 기타 Foundry 분석 도구를 사용하여 새로운 수집 및 가격 책정 접근 방식을 결정하기 위한 분석을 수행합니다. Contour 및 Code Workbook에서 다양한 가격 옵션의 시나리오 분석이 간단합니다. Vertex 및 Foundry 시나리오를 이 과정에 더 적용할 수 있습니다.
• 수집 우선 순위 및 재가격 책정을 결정하기 위한 기계 학습 모델이 Code Repositories에서 구현되었습니다. Foundry ML도 여기에서 고려할 수 있습니다.
• 재가격 책정 애플리케이션은 Slate에서 구현되었습니다.

비슷한 유즈케이스 구현하기

이 유즈케이스는 다음 패턴을 구현합니다. 아래 링크를 따라 특정 패턴에 대해 자세히 알아보고 Foundry에서 어떻게 구현되는지 알아보십시오.

• 조사 및 코호트 분석 (다른 3가지 유즈케이스에 사용됨)

이 유즈케이스에 대한 자세한 정보를 원하십니까? 비슷한 것을 구현하고 싶으십니까? 팔란티어 시작하기