Ödeme firmaları, finansal performans ve operasyonel kontrolü şekillendiren şeyin yalnızca yapay zeka değil, işlem düzeyindeki veriler olduğunu keşfediyor. Sınır ötesi ödemeler, yeni ödeme kanalları ve artan işlem hacimleri, eski finans mimarisinin sınırlarını ortaya çıkardı. Yapay zeka üretime geçerken, finans liderleri ya veri temellerini modernize etmek ya da güvenilmez bilgiler üzerine karmaşık araçlar inşa etmek arasında bir seçimle karşı karşıya.
Daha fazla izle: Fynapse'ten Ben Catterall ile Yaz Okulu
Yapay zeka yönetim kurulu toplantılarına damgasını vursa da ödeme şirketleri çok daha temel bir sorunla karşı karşıya. Zaten ellerinde büyük miktarda finansal veri var. Asıl zorluk, bu bilgiyi finans ekiplerinin güvenebileceği bir hale getirmek.
Bu tema, PYMNTS Yaz Okulu serisinin son bölümünde ele alındı. Bölümde, finans ERP'si Fynapse'te küresel çözüm mühendisliği başkanı olan Ben Catterall konuk oldu. Catterall'a göre stratejik avantaj elde edecek firmalar, rakiplerinden daha fazla veri toplamak zorunda değil. Bunun yerine, her işlemin ardındaki anlamı koruyan daha güçlü finansal temeller inşa edecekler.
Catterall, "Her ödeme şirketinin tonlarca verisi var, ancak bağlamı olmayan veri pek kullanışlı değil" dedi. Verinin neyi temsil ettiğini ve "o veriyi oluşturmak için gerçek dünyada ne olduğunu" anlamanın kritik olduğunu söyledi.
Kartlar, dijital cüzdanlar, şimdi al sonra öde (BNPL) ürünleri, abonelikler ve uygulama mağazası satın alımlarının her biri farklı finansal kayıtlar oluşturuyor. Sınır ötesi ticaret, para birimleri, mutabakat farklılıkları ve birden fazla ödeme ağ geçidi eklerken işlem hacimleri de artmaya devam ediyor.
Ödeme türü ne olursa olsun, finans departmanları işlemleri doğru bir şekilde mutabakat ettirmeli ve işi geciktirmeden genel muhasebeye aktarmalı. Toplu işleme ve özetlenmiş veriler üzerine kurulu eski finans sistemleri, bu karmaşıklığa ayak uydurmakta zorlanıyor.
Sonuçlar sadece operasyonel verimliliğin ötesine geçiyor. Catterall, neredeyse 18 ülkede işlem yapan çok uluslu bir ödeme müşterisini anlattı. Özet düzeyinde defterler dengeli görünüyordu. Ancak işlem düzeyindeki kayıtların daha yakından incelenmesi, ortalama %2 civarında döviz kuru farkı olduğunu ortaya çıkardı. Bu da yaklaşık 100 milyon dolarlık sınır ötesi ödeme hacminde milyonlarca dolarlık gelir kaybı anlamına geliyordu.
Catterall, "Bunu 100 milyon dolarlık sınır ötesi ödemeye uygularsanız, yılda 2 milyon dolar kayıp olabilir" dedi.
Finans liderleri için bu tür örnekler, işlem düzeyinde görünürlüğün neden sadece bir muhasebe alıştırması olmadığını gösteriyor. Gelirin nerede kaybolduğunu, ödeme maliyetlerinin nerede biriktiğini ve operasyonel değişikliklerin finansal performansı nasıl iyileştirebileceğini anlamanın bir yolunu sunuyor.
Yapay Zekayı Devreye Almadan Önce Temeli Oluşturun
Aynı prensip yapay zeka için de geçerli. Birçok finans kurumu son iki yılda yapay zeka kanıt-kavram (proof-of-concept) çalışmaları başlattı, ancak çok azı üretime geçebildi. Catterall'a göre engel genellikle yapay zeka modellerinin altında yatıyor.
Catterall, "Toplu, birleştirilmiş, özetlenmiş verilere güveniyorsanız ve bunun üzerine bir yapay zeka aracı koyarsanız, o yapay zeka aracının öğrenebileceği tek şey özet görünümdür. Yeterli verisi yok" dedi.
Araştırmalar, yapay zeka kanıt-kavram çalışmalarının %46'sının, düşük veri kalitesi nedeniyle üretime geçemediğini gösteriyor. Bu felsefe, Aptitude'un platformunu şekillendiriyor. Platform, finansal olayları raporlama dönemi sonunda yeniden oluşturmak yerine gerçekleştikleri anda yakalıyor.
Amaç sadece daha hızlı bir ay sonu kapanışı değil. Finans ekiplerine, faaliyet devam ederken marjlar, ödeme maliyetleri ve iş performansı hakkında gerçek zamanlı sürekli görünürlük sağlamak ve gerçek zamanlı iş kararları almalarını mümkün kılmak.
Catterall, finans kuruluşlarının finansal verileri ödemelerin bir yan ürünü olarak değil, temel altyapı olarak görmesi gerektiğini söyledi. "Bunu işletmeye sunmak bir farklılaştırıcıdır" diye ekledi.
Ayrıntılı işlem kayıtlarını koruyan ve bunları hazine, fiyatlandırma, tahmin ve risk birimlerine sunan şirketler, finansal kontrolden ödün vermeden büyümeyi desteklemek için daha iyi bir konumda. Ödemeler için finansal gerçeklik budur ve Fynapse bunu, saatte 200 milyon defter satırını gerçek zamanlı işleyen T-Mobile gibi şirketlere sunuyor.
Ödeme yöntemleri çoğaldıkça ve yapay zeka daha büyük bir operasyonel rol üstlendikçe, bu disiplin finansın en kalıcı rekabet avantajı olabilir. Finans veri mimarisini bugün modernize eden firmalar, yarının işlemlerini sadece kaydetmek yerine anlamak için daha donanımlı olacak.
Finans Sınıfı Veri Nelerin Önünü Açar
Veriye modern bir yaklaşım üç şey anlamına gelir. Birincisi, veri sadece toplamları değil, bireysel işlemleri gösterir. İkincisi, her işlemin arkasındaki ayrıntıları korur. Bu ayrıntılar arasında ödeme yöntemi, para birimi, ücretler ve kimlerin dahil olduğu yer alır. Son olarak, veri hemen kullanılabilir, kapanış sırasında sonradan bir araya getirilmez.
PYMNTS Yaz Okulu röportajının tamamını izleyerek şunları öğrenin:
- Gerçek zamanlı muhasebenin finans ve denetçiler arasındaki ilişkiyi nasıl değiştirdiği.
- Ajan tabanlı yapay zekanın finansal yönetişim ve raporlamayı nasıl yeniden şekillendirebileceği.
- Finans ekiplerinin başka bir yapay zeka girişimini onaylamadan önce ne talep etmesi gerektiği.
Tüm PYMNTS yapay zeka haberleri için günlük AI Newsletter bültenine abone olun.
Ben Catterall, Fynapse'te küresel çözüm mühendisliği başkanıdır. Ödeme şirketleriyle finans mimarisi, işlem düzeyinde muhasebe ve gerçek zamanlı finansal operasyonlar üzerine çalışmaktadır.
