Hur du Hanterar riskerna med Onlinebetalningar för din E-Handel

Det växande antalet olika betalningsmetoder inom e-handel ger kunderna mer flexibilitet och butiksoperatörerna ofta högre försäljning – förutsatt att de senare faktiskt får sina pengar. I det här blogginlägget visar vi hur företag kan använda tjänsteleverantörer och teknik för att skydda sig mot betalningsanmärkningar.

Innehållsförteckning

BNPL: Nya avbetalningar på uppgång

Parallellt med e-handel växer utbudet av betalningsmetoder som erbjuds i branschen. Kunder använder dem gärna, särskilt när de öppnar upp nya möjligheter.

En trend som spridit sig genom relevanta facktidningar och allt fler nätbutiker de senaste månaderna är en utökad form av den välkända delbetalningen: Under mottot ”Köp nu, betala senare” (BNPL), på engelska ”buy now, pay later” har kunderna möjlighet att antingen betala kostnaderna för dyrare produkter i enskilda delbetalningar under en längre tid eller till och med betala det totala priset vid ett senare tillfälle.

Som studien Global Consumer Survey av Statista fastställde i sin e-handelsspecial 2021, utesluter nästan 40 procent av de tillfrågade konsumenterna kategoriskt användningen av BNPL i många länder.

Däremot uppger 46 procent att de redan har använt förfarandet eller generellt är öppna för det. Enligt aktuella rapporter och internationella undersökningar är BNPL särskilt populärt bland unga näthandlare. De tror ofta inte på kreditkort och har inte likviditeten att lösa större belopp på en gång.

Så om e-handelshandlare vill vara framtidsorienterade i sina betalningsmöjligheter kommer de troligen inte att kunna undvika BNPL i sin webbutik i framtiden. Detta gäller dock inte bara B2C-sektorn. Även inom B2B återstår en del att ta igen vad gäller avbetalningsköp, vilket en betalningsundersökning beställd av Creditreform visar: Endast 17 procent av de tillfrågade nätbutiksoperatörerna erbjuder detta alternativ till sina kunder. Å andra sidan är nästan 70 procent beroende av PayPal.

Tjänsteleverantörer dämpar betalningsstandard

Samarbete med en BNPL-leverantör har förvisso fördelar för återförsäljare: om de fortfarande var utsatta för risken att köparen misslyckas med betalningen eller blir insolvent med traditionella delbetalningar, ser BNPL-leverantören till att betalningen tas emot på ett säkert sätt.

Dem tar risken för att kunden inte betalar till återförsäljaren och överför pengarna till återförsäljaren direkt efter att produkten har skickats. Samtidigt erbjuder BNPL-alternativet i nätbutiken potential att öka försäljningen genom att ge fler konsumenter möjlighet att köpa dyrare produkter som de annars inte hade råd med. Men de relevanta BNPL-leverantörerna tar naturligtvis ut avgifter för tillhandahållandet av sina tjänster från e-handelsföretagen.

Dessa bidrag regleras vanligtvis som en procentandel av de enskilda BNPL-transaktionerna. För att kostnaderna för BNPL-leverantören ska kunna amorteras måste den efterlängtade försäljningsökningen eller marginalen genom den nya betalningsmetoden faktiskt vara tillräckligt hög.

Annars betalar butiksoperatörerna från grunden. Det är inte möjligt att generellt beräkna om betalningsanmärkningar som avlyssnas av leverantören kan ändra något. Det är också frågan om den rättsliga ramen för dataskydd. Trots att BNPL-metoden lagts ut på entreprenad till en tjänsteleverantör, förblir butiksoperatören vanligtvis ansvarig för att skydda information om sina kunder från säkerhetsluckor.

Riskbedömning med artificiell intelligens

Förutom externa tjänsteleverantörer har e-handelsföretag även tekniska möjligheter att minska riskerna, både vid delbetalningar och andra typer av digitala betalningar. Dessa inkluderar framför allt instrument för artificiell intelligens (AI). Ett viktigt av dessa verktyg går under termen ”predictive analytics” och analyserar kundernas beteende med hjälp av maskininlärning.

Data om beteende i dåtid och nutid kopplas till kundprofiler och analyseras av AI med avseende på vissa sammanhang, för vilka prognoser om framtida kundbeteende skapas: Detta kan till exempel innebära beteendeanalyser av användningen av vissa onlineerbjudanden, fastställande av behov för enskilda varor eller bara om konsumenternas trovärdighet med avseende på deras finansiella styrka eller kriminella aktiviteter.

Standardrisken för kunder indikeras av betygspoäng, som programvaran beräknar utifrån information från externa databaser om personens kreditvärdighet. AI tar hänsyn till tidigare fallerade fakturor eller eftersläpningar och den nuvarande ekonomiska situationen avseende eventuella skulder eller aktuella lån.

AI kan också uppskatta sannolikheten för bedrägeri med hjälp av prediktiva analysmetoder. Inkassobyråer och myndigheter har förlitat sig på denna hjälp under lång tid. E-handelsföretag kan utföra sådana intelligenta analyser med specialverktyg från olika leverantörer. ERP- eller butikssystemleverantörerna som används i varje enskilt fall har ofta redan lämplig programvara i sin portfölj. Till exempel inkluderar Adobe Experience Cloud möjligheten att använda prediktiv analys för att identifiera de mest lukrativa kundsegmenten för att minimera risken för betalningsanmärkningar redan från början.

Dessutom kan så kallad hypertargeting öka säkerheten för butiksoperatörer. Även om detta koncept med att använda algoritmer för att segmentera innehåll för vissa kundgrupper ursprungligen kom från marknadsföring, används det nu också mer frekvent inom inkassohantering.

Den intelligenta mjukvaran drar ihop kunddata från alla möjliga kontaktpunkter och använder den för att klassificera målgrupper. För inkassoområdet beaktas även externa databaser för kategorisering, varigenom potentiella kunder sorteras efter solvens eller bedrägliga avsikter. Denna form av hyperinriktning används ofta som ett komplement till prediktiv analys. Slutligen är dess fokus på att utvärdera befintliga data, medan den prediktiva metoden fokuserar på att förutsäga framtida beteende.

Förhindra problem

Oavsett om e-handelsföretag i slutändan använder externa tjänsteleverantörers betalningsverktyg för att undvika betalningsanmärkningar eller använder intelligent mjukvara för att undvika problem med ekonomiskt kritiska kunder – målet är alltid att förebygga ekonomiska svårigheter.

I nätbetalningarnas tid blir förebyggande allt viktigare för att inte äventyra din egen omsättning. Lyckligtvis finns det tillräckligt med data längs kundresan som kontaktpunkter – oavsett om det är i kassan eller på vägen till köpbeslut.

Med den senare kan till exempel intelligenta chatbots identifiera vissa språkmönster i kundkontakten och varna kundtjänst för potentiellt problematiska kunder. Och i kassan, förutom den trendiga BNPL-metoden, bör fokus snarare läggas på betalningsalternativ i direktläge. På så sätt slipper butiksoperatörer otrevliga överraskningar.