Ganhos de estorno com base em IA: Mais vitórias, menos tempo

Introdução

Os chargebacks - os litígios que os clientes levantam junto dos fornecedores de cartões de crédito ou dos bancos - são uma grande dor de cabeça. Um fornecedor líder de soluções de gestão de estornos depende atualmente do processamento manual de litígios e enfrenta desafios de custos operacionais e de tomada de decisões subjectivas com base na formação da equipa. A empresa embarcou numa iniciativa baseada em dados para otimizar o seu processo de resolução de litígios. Ao utilizar modelos de aprendizagem automática, a empresa pretende automatizar a triagem de litígios, afectando eficazmente os recursos através da identificação dos casos mais adequados à automatização. Esta iniciativa tem o potencial de melhorar significativamente a taxa de sucesso da resolução de litígios e de aumentar a escala das operações. 

Desafios enfrentados

• Trabalho manual moroso: Os analistas de estornos gastam uma quantidade significativa de tempo a recolher provas, a criar casos e a comunicar com os clientes. 
• Aumento dos custos: O processo de resolução manual de litígios era dispendioso. 
• Incoerência das decisões: As decisões subjectivas baseadas na experiência da equipa conduziram a resultados inconsistentes.
• Dificuldade em identificar padrões fraudulentos: O reconhecimento de tendências e padrões fraudulentos era um desafio, levando à perda de oportunidades para evitar litígios e recuperar receitas perdidas.
• Visibilidade limitada das tendências de estorno: Os métodos tradicionais não forneciam informações suficientes sobre as causas principais dos estornos, dificultando o desenvolvimento de estratégias preventivas. 

Solução implementada

1. Ingestão de dados e formação de modelos 

A empresa integrou o seu conjunto de dados históricos, que incluía milhares de casos resolvidos, na plataforma RapidCanvas AutoAI. Isso incluía detalhes como códigos de motivo da disputa, categorias de comerciantes, valores da disputa, moeda e tipos de cartão. Os detalhes da resolução - resultado de vitória/derrota e tempo de resolução também foram incluídos. 

Estes dados, uma vez limpos e processados, foram utilizados para treinar um modelo de ML baseado nas aprendizagens codificadas através de todas as resoluções de casos anteriores. Os dados integrados foram analisados e os padrões são seguidos nos casos para os julgar como passíveis de serem ganhos. 

‍2. Integração perfeita com os sistemas existentes

O provedor de soluções de estorno usa um sistema interno para gerenciar estornos, onde os dados são coletados para cada caso. Uma vez treinado, o modelo de ML do RapidCanvas foi integrado a esse sistema interno e o modelo ajuda a atribuir uma pontuação de possibilidade de ganho para cada caso. A pontuação é exibida diretamente no painel de controle da empresa e ajuda os analistas de estorno a priorizar os casos. 

‍3. Previsão da taxa de vitória

O modelo treinado gera probabilidades de taxa de vitória em tempo real para cada novo caso, variando de "baixa" a "alta". Isto permite que a equipa dê prioridade aos casos com maior potencial de defesa bem sucedida. Juntamente com a probabilidade, os principais factores que influenciam a previsão também foram destacados para aumentar a transparência e a tomada de decisões. À medida que novos dados se tornavam disponíveis, o modelo era continuamente atualizado para manter a sua precisão. 

‍4. Análise de casos perdidos

Foi também efectuada uma análise dos casos perdidos para identificar as razões recorrentes para os estornos recusados, em especial nos casos em que as caraterísticas de um caso perdido correspondiam muito estreitamente a um caso bem sucedido. 

‍Benefícios

• Poupança de tempo dos analistas

Comuma estimativa exacta da capacidade de ganhar os litígios de cada caso, o tempo despendido também podia ser atribuído em conformidade. Os casos com elevada probabilidade de ganho e os casos com baixa probabilidade foram resolvidos com decisões automatizadas, enquanto os casos com probabilidade média seriam os casos em que os analistas se concentrariam para obter melhores resultados. A equipa registou uma redução de 50% no tempo operacional gasto com as revisões do mesmo número de casos. A atribuição de casos entre agentes sénior e júnior também é feita de forma mais eficiente e com base na facilidade do caso. 

• Aumento da confiança

‍Comas informações obtidas através da análise dos casos perdidos, os analistas de estornos podem abordar os litígios com maior confiança, melhorando potencialmente as taxas de sucesso globais. 

• Melhor compreensão das causas do estorno

‍Aoanalisar os casos vencedores e perdedores num processo baseado em modelos orientados por dados, os comerciantes obtêm informações valiosas. 

• Revisão automatizada

Com um modelo de IA que detecta padrões e aprende com o tempo, a análise de casos de combinações conhecidas de factores pode ser automatizada, sendo introduzida uma etapa de validação manual para verificar a avaliação do modelo. Isto reduz o volume de trabalho manual para casos semelhantes. 

• Decisões baseadas em dados

‍Asprevisões objectivas eliminaram preconceitos subjectivos e promoveram a tomada de decisões informadas ao longo do processo de resolução de litígios de estorno. 

• Escalabilidade e crescimento

A IA permite que o prestador de serviços trate eficazmente volumes maiores de casos, com uma utilização mais eficiente dos recursos. 

• Aumento da taxa de vitórias

Com esta implementação, a empresa pretende aumentar a sua taxa de sucesso global, impulsionando a recuperação de receitas e a satisfação do cliente.

Conclusão

Ao substituir avaliações subjetivas por insights orientados por IA, o fornecedor de soluções de gerenciamento de estorno transformou sua abordagem de gerenciamento de estorno. O RapidCanvas capacitou a empresa a prever as taxas de ganho com precisão, otimizar a alocação de recursos e, por fim, recuperar mais receita enquanto dimensionava suas operações de forma eficaz. Este estudo de caso exemplifica o poder transformador da IA na abordagem de desafios de negócios complexos e na liberação de novos níveis de eficiência e crescimento.