Как Paytm может стать компанией с доходом 100 миллиардов индийских рупий, используя ИИ?

Paytm — одна из самых известных цифровых платежных платформ в Индии. Как суперкластерное приложение, оно предлагает множество услуг, таких как цифровой кошелек, онлайн-покупки, бронирование поездок, оплата счетов, кредит и варианты финансирования с постоплатой. Список расширяется, поскольку подтверждает его доход в размере 36 млрд индийских рупий по состоянию на 2019 год.

Давайте гипотетически рассмотрим роль искусственного интеллекта (ИИ) в реализации видения Paytm стать гигантом цифровых финансов. Кроме того, мы постараемся сделать все возможное, чтобы поделиться некоторыми открытиями по пути!

Хватайте пальто разработчика машинного обучения (ML)!

Что такое машинное обучение?

Машинное обучение можно сравнить с нашим легендарным капитаном команды по крикету М.С. Дхони. Эти алгоритмы автоматически изучают и обнаруживают закономерности в базовых данных.

Благо, у Paytm более 500 миллионов пользователей, ежедневно генерирующих петабайты данных! Отличная золотая жила и для аналитиков!

☑ Доступность данных

Каковы варианты использования?

Несмотря на то, что мы можем предложить несколько вариантов использования этого огромного лабиринта пользовательских данных, давайте рассмотрим задачу улучшения Paytm Mall, его бизнеса для онлайн-покупок.

Первое, что приходит нам в голову, — это использование рекомендательной системы на основе машинного обучения, расширение сообщества сторонних продавцов, настройка рекламных механизмов с использованием расширенной аналитики и так далее. Все эти технологии помогают заманивать покупателей, и дело в том, что в наше время они установлены у большинства интернет-магазинов.

☑ Пекарня для ML-услуг

Каких частей не хватает?

Прежде чем мы ответим на вопрос, давайте задумаемся о масштабах и контексте их пользовательских данных?

Их данные поступают из сервисов, которые работают внутри их экосистемы, а именно. торговые транзакции, аналитика рекламы, использование приложений и так далее. Однако сфера покупок пользователя намного шире, чем в мобильном приложении в реальной жизни.

В любой день человек может покупать продукты, одежду в розничных магазинах, оплачивать отдых и многое другое. Итак, существуют ли какие-либо методы для захвата вышеупомянутых деталей? Это может помочь нашей модели машинного обучения понять нюансы каждого пользователя, чего не было в предыдущем сценарии.

☑ Определил проблему

Как расширить охват?

А теперь задумайтесь на минутку, чтобы определить точку входа транзакций в цифровой мир?

Разве это не система точек продаж (PoS), которая размещает наш заказ и принимает платежи? Каждая транзакция по всему миру проходит через определенный класс PoS-систем.

Было бы замечательно включить эти внешние транзакции в наши алгоритмы машинного обучения? Это поможет нашей модели машинного обучения точно понять, что Рахулу нравится айфон и толстовка H&M. Другими словами, будь то данные о продуктах или покупках в электронном виде, бронирование отпуска или столовые приборы, модель машинного обучения может использовать разнообразие, качество и количество данных каждого пользователя при обучении.

Поэтому он порекомендует ему мобильный магазин рядом с магазином H&M и рекламу зарядного устройства для iPhone в торговом центре Paytm со скидкой 20% на его следующий бонус Дивали!

Фактически, модель машинного обучения нацелена на обучение данных о продажах Paytm Mall и данных, поступающих от поставщиков-партнеров по всей стране, использующих Paytm PoS. Следовательно, Paytm Mall проявляется из сущности в приложении практически в каждом магазине. связанных с его PoS-системами.

К счастью, Paytm разработала решения для предоставления решений PoS для бизнеса.

☑ Разблокирована недостающая часть

Будет ли это служить цели?

Первым шагом должно стать повсеместное расширение ее PoS-бизнеса на каждый основной магазин, розничную торговлю и торговую точку по всей стране. По мере перехода Индии к цифровой экономике растет число розничных продавцов, переходящих на цифровые финансовые услуги.

Paytm, один из самых знаковых брендов, обязательно будет принят, и этот шаг потребует гигантского количества пользовательских данных и их.

Они должны предоставлять предприятиям полноценные решения, начиная от стационарных систем и заканчивая терминальными машинами, устройствами чтения смарт-карт и решениями на основе QR. Другими словами, стать доминирующим игроком в бизнесе PoS.

В конечном итоге эти шаги создадут петлю обратной связи:

… Больше PoS ›› Больше данных ››› Лучшие решения машинного обучения ›› Улучшение продаж ›› Больше доходов…

☑ Спроектировал трубопровод

Любые альтернативы?

Как насчет сотрудничества между Paytm и другими ритейлерами? Защитите доступ к своим данным и настройте тот же конвейер!

Перед ним стоят две задачи,

Правильность. Как правило, только крупные компании используют схемы управления данными и соответствующую ИТ-инфраструктуру. Его не существует в малых предприятиях. Кроме того, давайте признаем тот факт, что люди плохо справляются с хранением данных! (Попробуйте: ваш отец вышвырнет вас из своего офиса, если вы попросите его заполнить лист Excel из 150 столбцов для вашего проекта машинного обучения!)
Масштабируемость. Нецелесообразно сотрудничать с одной или двумя крупными компаниями, поскольку это не охватывает все население или все сегменты. Чтобы генерировать прогнозы для каждого потребителя, Paytm должна регистрировать миллиарды микротранзакций за пределами экосистемы своего приложения.

☑ Конфликт разрешен

Слава! Что нибудь еще?

Для большинства хунты iPhone стоит почку и летающие сандалии мамы как развивающаяся нация! Объективно говоря, покупательная способность иногда может иссякать.

К счастью, Paytm сотрудничала с Государственным банком Индии (SBI) для запуска своих услуг по кредитным картам. Кроме того, они предоставляют постоплату и несколько других вариантов финансирования.

Ускорит ли обновленный поток данных в сочетании с вариантами финансирования продажи?

Ответ: да!

Системы машинного обучения правильно интерпретируют покупательную способность пользователя и надежно прогнозируют кредитный рейтинг. Таким образом, процесс предварительно одобренных кредитов будет простым. Кроме того, они могут распространить перспективы финансирования на покупки в магазине (магазины с развернутой точкой продаж).

Теперь число начинает сиять.

☑ Преемственность завершена

Каков будет результат?

Благодаря простому доступу к финансам, точным рекомендациям по продуктам и удобной оплате в одно касание клиенты будут довольны беспроблемным взаимодействием. Действительно, цифровая экономика!

Как он будет обслуживать Paytm?

Кредит имеет составную прибыль. Вся идея применения ML в процессе, как упоминалось ранее, заключается в том, чтобы дать возможность большему количеству клиентов пользоваться кредитными услугами и направлять свои транзакции через те или иные платежные шлюзы, предоставляемые Paytm.

ML будет рекомендовать только те продукты, которые пользователь может легко себе позволить, и предоставит варианты финансирования/EMI, прогнозируя их надежность.

Вот пример услуг ML, которые могут привлечь только 20% своей клиентской базы для использования финансовых и кредитных услуг. Если плата за обработку и другие сборы составляют до 100 индийских рупий в год:

500 млн клиентов * 100 индийских рупий в год * 20 % вовлеченности клиентов = 10 млрд индийских рупий

Это более чем увеличение на 25 % в доходах в год. В течение десяти лет он достигнет 100 млрд индийских рупий!

Мы даже не учитывали потоки доходов от услуг PoS для этого расчета, но вы можете сделать математику.

☑ Миссия выполнена!

Вывод

Таким образом, чтобы стимулировать доход с помощью ИИ,

Paytm должна создать обширную инфраструктуру для установки PoS-систем в миллионах магазинов и торговых точек по всей стране. Это расширит экосистему.
Рекомендации машинного обучения еще больше улучшат продажи за счет более точного прогнозирования продуктов и предпочтений пользователей. Это расширит клиентскую базу.
Наконец, машинное обучение упростит варианты кредитования и финансирования, передавая дополнительные потоки совокупного дохода.

На мой взгляд, у них есть все ресурсы, инфраструктура и деловая хватка, чтобы добиться успеха. Будет интересно понаблюдать за их восходящим маршем в течение десятилетия.

Можете ли вы подумать о каких-либо других вариантах использования, которые можно применить здесь? Дай мне знать!

print("Thank you for reading my article! I appreciate it") 
print(" Can you think about any other interesting use-case which can be applied here? Let me know!") 
sys.exit()

PS: Ура! Вы сделали это так далеко. Это моя первая попытка превратить приложения машинного обучения в промышленные приложения. Это просто тематическое исследование, и я, возможно, упустил какую-то деталь или план выполнения. Еще раз спасибо за прочтение.

Изображения Paytm для бизнеса, Squareup, Analyticsmag

Ссылки:

Вы можете связаться со мной через LinkedIn, чтобы поделиться некоторыми идеями!