Kundebetalingsforutsigelser

Denne artikkelen beskriver funksjonene for betalingsprediksjoner som kan hjelpe deg med å forstå de vanlige betalingspraksisene til en kunde. Denne funksjonen kan også hjelpe til med å identifisere omstendigheter som skal føre til at du starter innkrevingsprosesser tidligere enn du ellers ville starte dem.

Oversikt

For organisasjoner er det ofte vanskelig å forutse når kunder betaler fakturaer. Denne mangelen på innsikt kan forårsake følgende problemer:

• Mindre nøyaktige kontantstrømprognoser
• Innkrevingsprosesser som starter for sent
• Ordrer som blir frigitt til kunder som kan være på etterskudd med betalingen

Kundebetalingsprediksjoner hjelper organisasjoner med å forutse når en kundefaktura skal betales. Derfor kan de opprette strategier for innkreving som bidrar til å øke sjansene for at de vil bli betalt i tide.

Prognoser

Betalingsprediksjoner lar organisasjoner forbedre forretningsprosessene ved å hjelpe dem med å identifisere hvilke fakturaer som sannsynligvis kommer til å betales for sent. Organisasjonen kan bruke denne informasjonen til å iverksette handlinger som forbedrer sjansene for at de blir betalt i tide.

Funksjonen for prediksjoner av kundebetaling bruker en maskinlæringsmodell for å mer nøyaktig prediksjon av når en kunde betaler en utestående faktura. Denne maskinlæringsmodellen omfatter historiske fakturaer, betalinger og kundedata.

For hver åpne faktura tilordner funksjonen tre betalingssannsynligheter:

• Sannsynligheten for at betalingen blir utført i tide
• Sannsynligheten for at betalingen blir utført forsinket
• Sannsynligheten for at betalingen blir utført svært sent

Funksjonen gir også en aggregert visning av forventede betalinger.

Hver faktura blir tildelt en sannsynlighet for betaling i tide. Fakturaer med sannsynlighet for betaling til rett tid som er mindre enn 50 %, merkes med en rød sirkel for å angi at de kan kreve oppmerksomhet fra innkrevingsagenter.

Funksjonen for kundebetalingsprediksjoner inneholder også kontekstavhengig informasjon som forklarer prediksjonen. Denne informasjonen omfatter de viktigste faktorene som påvirket prediksjonen, firmaets gjeldende forretningsrelasjon til kunden, og detaljer om kundens historiske betalingsvirkemåte.

I mange bedrifter har innkrevingsprosessen vært en reaktiv aktivitet. Innkrevingsprosessen starter med andre ord ikke før fakturaer forfaller. Med kundebetalingsprediksjoner kan organisasjoner være mer proaktive om innkrevinger. De trenger ikke lenger å vente på at en transaksjon skal forfalle før start av innkrevingsprosessen. I stedet kan de bruke betalingsprognosefunksjonen til å fastslå om proaktive innkrevinger vil forbedre sannsynligheten for at de blir betalt i tide.

Metodologi

Tidligere var det som regel vanskelig å utvikle og distribuere en kunstig intelligensløsning (AI). Prosessen har krevd et team som inkluderer datateknikere, fageksperter og teknikere som arbeider i et lengre tidsrom for å formulere, utvikle, distribuere og vedlikeholde en brukbar AI-løsning. Kundebetalingsprediksjoner gjør det enkelt å distribuere og bruke en AI-løsning i Microsoft Dynamics 365 Finance. Microsoft forhåndspakker AI-løsninger som er bygd på toppen av Microsoft AI Builder. Brukerne kan derfor distribuere AI-løsningen i ett enkelt museklikk for å dra nytte av fordelene med intelligente prediksjoner. Hvis du ikke er tilfreds med nøyaktigheten i prognosene, kan en privilegert bruker (med ett enkelt museklikk) angi utvidelsesopplevelsen for AI Builder, og deretter merke av for eller fjerne merket for feltene som brukes til å generere prognoser. Når du er klar, kan du "lære opp" modellen og publisere endringene. Den nylig opplærte modellen vil automatisk bli plukket opp for å generere prediksjoner i Dynamics 365 Finance.