Большие данные циркулируют уже несколько лет, как в сети, так и вне ее, как своего рода универсальное решение целого ряда бизнес-проблем. Неудивительно, что сегодня многие компании, занимающиеся электронной коммерцией, заняты сбором, организацией и анализом больших наборов данных, чтобы сделать обработку онлайн-платежей проще и безопаснее. Но качество больших данных зависит от того, что вы измеряете, как вы интерпретируете то, что вы измерили, и где вы применяете то, чему научились.

В лучшем случае большие данные могут (и должны) использоваться для облегчения двух самых больших и в основном дорогостоящих головных болей, с которыми сегодня сталкиваются онлайн-продавцы: мошенничество с платежами и брошенная корзина.

Насколько велики эти проблемы? Только в 2016 году индустрия электронной коммерции потеряла почти 7 млрд долларов дохода из-за мошенничества с платежами и возвратных платежей, и ожидается, что к 2020 году эта сумма вырастет до более 30 млрд долларов. интернет-магазины теряют в среднем более 75% своих продаж из-за брошенной корзины, а в некоторых отраслях этот процент даже выше. Учитывая, что в 2017 году потребители добавили в корзину онлайн-покупателей более 9 трлн долларов, а фактические продажи составили лишь 2,29 трлн долларов, продавцы оставляют на столе триллионы долларов.

Поскольку технологии, такие как мобильные платежные шлюзы и мобильные устройства, продолжают развиваться и развиваться, количество точек данных, которые собираются, систематизируются, анализируются и понимаются, растет в геометрической прогрессии. Также расширяются методы, используемые для измерения и сбора данных. Единственный способ увидеть рентабельность инвестиций в аналитику больших данных — дисциплина и сосредоточенность.

Вот как большие данные могут конкретно помочь решить две самые сложные проблемы, с которыми сегодня сталкиваются платежи в электронной коммерции.

Большие данные в обнаружении и предотвращении мошенничества с платежами

Крупные омниканальные продавцы электронной коммерции ежемесячно сталкиваются с 700-900 попытками мошенничества, и более 60% этих попыток являются успешными. Согласно Исследованию истинной стоимости мошенничества LexisNexis за 2016 год, главной задачей для онлайн-продавцов является возможность быстро отмечать, подтверждать и реагировать на мошенничество с платежами.

Мошенничество с платежами носит неизбирательный характер и нацелено на крупные и малые предприятия во всех отраслях. Тем не менее, это была в основном проигрышная битва со стороны бизнеса. Цена неспособности справиться с этой задачей высока. Продавец не только может потерять товар, который был заказан мошенническим путем, он должен вернуть деньги лицу, чья платежная информация была украдена, и оплатить любые связанные с этим сборы за возврат кредитной карты.

К этому добавляется проблема успешной борьбы с мошенничеством без отказа законным клиентам. Согласно исследованию LexisNexis, более трети транзакций, отклоненных по подозрению в мошенничестве, оказались законными покупками.

Руководителям бизнеса электронной коммерции необходимо понимать, что простое сравнение данных, полученных в результате мошеннических и законных транзакций, будет иметь ограниченную рентабельность инвестиций. К тому времени, когда ресурсы компании определят одну мошенническую тактику и предпримут попытку сдержать ситуацию, мошенники уже изменят свой подход. Возможность эффективно и быстро защищать конфиденциальную информацию, проверять личность клиента, подтверждать платеж и реагировать на новые способы оплаты становится все более важной.

Сегодня лучшее использование больших данных, когда речь идет о платежах в электронной коммерции, — это сочетать их с решениями для мошенничества с машинным обучением или искусственным интеллектом. Интеллектуальные автоматизированные системы сочетают в себе большие данные и машинное обучение, чтобы выявлять тенденции, мгновенно отмечать и блокировать подозрительную активность, одновременно предупреждая соответствующий персонал о необходимости проверки и подтверждения в режиме реального времени.

Большие данные для предотвращения брошенных тележек

Понимание того, почему клиенты отказываются от онлайн-корзины, — это первый шаг к повышению коэффициента конверсии продаж. Но многие предприятия электронной коммерции были настолько сосредоточены на персонализации маркетинга, что, кажется, они упускают из виду некоторые простые решения проблемы отказа от корзины. Другими словами, многие компании измеряют неверные данные. Например, когда я работал с Toys R Us в команде по работе с цифровыми клиентами, 70% негативных настроений клиентов были связаны с оформлением заказа, но проекты по улучшению кассы никогда не выходили за рамки управления.

Согласно недавнему исследованию, почти половина посетителей уходят без покупки по крайней мере по одной из двух причин: непредвиденные расходы (обычно стоимость доставки) и необходимость открывать новый аккаунт.

Давайте посмотрим на каждую из этих областей с точки зрения анализа данных.

Скрытые или непредвиденные расходы являются основной причиной, по которой люди уходят без покупки, при этом значительная часть клиентов конкретно ссылается на высокую стоимость доставки как на препятствие для крупных покупок, что является одной из причин, по которой у Amazon Prime была классическая кривая роста хоккейной клюшки. Другие скрытые расходы, такие как налоги с продаж, могут иметь аналогичный эффект. Поскольку налоги на доставку и продажу могут быть неизбежными расходами, предприятия электронной коммерции могут использовать аналитику данных для проверки определенных предположений. Например, помогает ли более полное раскрытие информации о расходах конверсии продаж? Если да, то каков наиболее эффективный способ обеспечить такое раскрытие информации? Возможно, проблема вовсе не в раскрытии информации, а в том, что клиенты не чувствуют, что получают достаточную ценность за свои деньги. В этом случае было бы совершенно другое решение проблемы, которое снова было бы основано на моделях данных и программах тестирования и обучения.

В случае необходимости создания новой учетной записи пользователя проблема может заключаться во времени, усилиях и удобстве (т. е. нежелании тратить время и усилия на открытие учетной записи). Но это также не может быть ни одной из этих вещей. Возможно, вашим клиентам не нужны рекламные материалы или они не решаются предоставлять конфиденциальную информацию о себе. Вам нужна аналитика данных, чтобы выяснить, где находятся точки трения и, что наиболее важно, почему они возникают, чтобы создать эффективное решение.

Поскольку электронная коммерция продолжает расти, простые, интуитивно понятные и безопасные платежные решения, основанные на аналитике больших данных, не только имеют смысл для бизнеса, но и быстро становятся движущей силой, определяющей способ передачи средств между потребителями и продавцами в ближайшие годы. .