通过智能重新定价提高留存率和收款绩效

行业领域: 金融服务

业务功能: 运营

一家支付处理公司希望通过优化收款、重新定价对价格不敏感的商户，并保留有流失风险的高价值客户来增加来自中小型商户的收入。由于数据环境的碎片化且规模庞大，他们无法进行必要的分析来实现这些想法。

挑战

在该处理器运营的规模下，有两个主要挑战：

• 没有有效的方法来优先处理或排名商户的收款
• 限制了确定商户最佳费率和费用的能力

解决方案

• 商户活动的完整视图 — 公司通过大量集成的客户活动、定价、支付终端、账单、欺诈和信用历史数据，前所未有地了解了其客户群。

• 改进的收款 — 分析师开发统计模型以根据账户的付款可能性进行评级。高可能性账户被分配给内部收款团队，而低可能性账户则转交给第三方收款公司。

• 新的定价策略 — 分析师进行大规模分析以评估不同费用结构对客户留存的影响。销售团队利用这些见解更好地定价新账户并重新定价现有账户以防止流失。

利益相关者和用户群体

• 商户收款团队
• 财务分析师
• 数据科学家
• 销售团队

一位财务分析师使用Foundry进行商户的重新定价练习，以确保留存率并最大化收入。

影响

• 通过将不可收款账户筛选给第三方并优先处理高可收款、高价值账户，改善了收款绩效。由于改进的优先级划分，每年预计生成额外数百万的收款收入。
• 重新定价模型促进了商户的重新定价练习，增加了留存率并在目标收入之上产生了额外的数百万收入。

如何实现

• 集成了客户关系管理 (CRM) 系统和其他数据源，创建了一个单一的Foundry Ontology 以了解商户活动。为客户、其活动、定价、支付终端、账单、欺诈、信用历史等创建了Object和关系。
• 使用 Contour 和其他Foundry分析工具进行分析，以确定新的收款和定价方法。在Contour 和 Code Workbook 中，进行不同定价选项的情景分析非常简单。Vertex 和 Foundry Scenarios 可以进一步支持这一过程。
• 在代码库中实现了用于优先收款和确定重新定价的机器学习模型。Foundry ML 也可以在这里考虑。
• 重新定价应用程序在Slate中实现。

实施类似应用案例

此应用案例实现了以下模式。点击下面的链接以了解有关特定模式的更多信息，并了解它在Foundry中的实现方式。

• 调查和分组 （用于其他3个应用案例）

想要了解更多关于此应用案例的信息？希望实施类似内容？立即开始使用Palantir。↗