Découvrez comment RapidCanvas fonctionne.
Réserver une démonstration
Les rétrocessions - les litiges que les clients soulèvent auprès de leurs fournisseurs de cartes de crédit ou de leurs banques - sont un véritable casse-tête. Un grand fournisseur de solutions de gestion des rétrocessions s'appuie actuellement sur un traitement manuel des litiges et est confronté à des problèmes de coûts opérationnels et de prise de décision subjective basée sur la formation de l'équipe. Il s'est lancé dans une initiative axée sur les données afin d'optimiser son processus de résolution des litiges. En s'appuyant sur des modèles d'apprentissage automatique, l'entreprise vise à automatiser le triage des litiges, à allouer efficacement les ressources en identifiant les cas qui se prêtent le mieux à l'automatisation. Cette initiative a le potentiel d'améliorer de manière significative le taux de réussite de la résolution des litiges et de faire évoluer les opérations.
1. Acquisition de données et formation de modèles
L'entreprise a intégré son ensemble de données historiques, comprenant des milliers de cas résolus, dans la plateforme AutoAI de RapidCanvas. Ces données comprenaient des détails tels que les codes de motif de litige, les catégories de commerçants, les montants des litiges, les devises et les types de cartes. Les détails de la résolution - résultat gagnant/perdant et délai de résolution - ont également été intégrés.
Ces données, une fois nettoyées et traitées, ont été utilisées pour former un modèle ML basé sur les apprentissages codifiés à travers toutes les résolutions de cas précédentes. Les données intégrées ont été analysées et des schémas ont été suivis dans les cas afin de déterminer s'ils peuvent être gagnés.
2. Intégration transparente avec les systèmes existants
Le fournisseur de solutions de rétrofacturation utilise un système interne pour gérer les rétrofacturations, dans lequel des données sont recueillies pour chaque cas. Une fois formé, le modèle ML de RapidCanvas a été intégré à ce système interne et le modèle permet d'attribuer un score de gagnabilité à chaque cas. Ce score est affiché directement sur le tableau de bord de l'entreprise et aide les analystes de rétrofacturation à classer les cas par ordre de priorité.
3. Prédiction du taux de réussite
Le modèle formé génère en temps réel des probabilités de gain pour chaque nouvelle affaire, allant de "faible" à "élevé". Cela permet à l'équipe de concentrer ses efforts sur les affaires qui ont le plus de chances d'être défendues avec succès. Outre la probabilité, les facteurs clés influençant la prédiction sont également mis en évidence afin d'améliorer la transparence et la prise de décision. Au fur et à mesure que de nouvelles données étaient disponibles, le modèle était continuellement mis à jour afin de maintenir sa précision.
4. Analyse des cas perdus
Une analyse des cas perdus a également été effectuée pour identifier les raisons récurrentes des rétrocessions refusées, en particulier dans les cas où les caractéristiques d'un cas perdu correspondaient de très près à celles d'un cas ayant abouti.
Avecune estimation précise de la capacité à gagner des litiges pour chaque cas, le temps passé peut également être réparti en conséquence. Les cas à forte probabilité de gain et les cas à faible probabilité ont été résolus par des décisions automatisées, tandis que les cas à probabilité moyenne étaient ceux sur lesquels les analystes se concentraient pour obtenir de meilleurs résultats. L'équipe a constaté une réduction de 50 % du temps opérationnel consacré à l'examen du même nombre de dossiers. La répartition des dossiers entre les agents seniors et juniors se fait également de manière plus efficace et en fonction de la facilité du dossier.
Arméspar l'analyse des cas perdus, les analystes de la rétrofacturation peuvent aborder les litiges avec plus de confiance, ce qui peut améliorer les taux de réussite globaux.
Enanalysant les cas gagnants et perdants dans le cadre d'un processus fondé sur un modèle de données, les commerçants obtiennent des informations précieuses.
Avec un modèle d'IA qui détecte des schémas et apprend au fil du temps, l'examen des cas de combinaisons connues de facteurs peut être automatisé, avec une étape de validation manuelle introduite pour vérifier l'évaluation du modèle. Cela permet de réduire la charge de travail manuel pour les cas similaires.
Lesprédictions objectives ont éliminé les préjugés subjectifs et favorisé une prise de décision éclairée tout au long du processus de résolution des litiges en matière de rétrofacturation.
L'IA permet au prestataire de traiter efficacement des volumes de cas plus importants, avec une utilisation plus efficace des ressources.
Grâce à cette mise en œuvre, l'entreprise cherche à augmenter son taux de réussite global, en stimulant le recouvrement des recettes et la satisfaction des clients.
En remplaçant les évaluations subjectives par des informations basées sur l'IA, le fournisseur de solutions de gestion de la rétrofacturation a transformé son approche de gestion de la rétrofacturation. RapidCanvas a permis à l'entreprise de prédire avec précision les taux de réussite, d'optimiser l'affectation des ressources et, en fin de compte, de récupérer davantage de revenus tout en développant efficacement ses opérations. Cette étude de cas illustre le pouvoir de transformation de l'IA pour relever des défis commerciaux complexes et débloquer de nouveaux niveaux d'efficacité et de croissance.
.svg)
.svg)
