Telekommunikasjonsbransjen står overfor en rekke nye utfordringer. Økte kostnader i kombinasjon med kundefrafall truer den tradisjonelle forretningsmodellen.
En undersøkelse og rapport, 2022 Telco Research Report, gjennomført av Forrester på vegne av Experian, som primært er kjent som leverandør av kredittdata, viser at 78 prosent av de spurte telekomselskapene i EMEA-regionen har økte eller jevne nivåer av såkalt dårlig gjeld. 67 prosent sier at antall svindelforsøk er økende eller statiske, mens 78 prosent sier de opplever en jevn eller synkende kundemasse. Hele 80 prosent sier kostnadene for å skaffe nye og betjene eksisterende kunder er økende.
Vi ser at nye telekomoperatører som leier nettverkskapasitet hos en av de store leverandørene av telekommunikasjonstjenester med jevne mellomrom kommer på banen. Andre vertikaler starter med mobiltelefoni. Som for eksempel Vipps og Fjordkraft. Selskap som utnytter eksisterende portefølje for å sikre vekst i form av utvidet tjenestetilbud.
Med andre ord er det lukrativt, og ikke minst relativt enkelt, å starte innen telekommunikasjon. Hvilket igjen skaper stor konkurranse, samtidig som produktene er lite differensierbare. Det konkurreres på pris, inkludert datamengde, familieabonnement og oppsamling av ubrukt datamengde. Vi ser også at enkelte aktører satser på trygghet på nett som hjelp ved identitetstyveri og skanning etter personlige data på det mørke nettet.
Nesten én av tre av de spurte i undersøkelsen sier mangel på automatisering er utfordrende. Når Norge sammenlignes med resten av EMEA, så har vi en høyere grad av automatisering her til lands. Digitale prosesser for bytte av abonnement, overføring av nummer og bytte av leverandør er noe vi har holdt på med i lang tid.
Dersom vi ser på kostnadene, tør jeg påstå at vi i Norden har tatt mye av investeringskostnaden, og at det derfor hverken er spesielt tungvint eller spesielt kostbart å utføre selve onboarding-prosessen av nye kunder. Den digitale prosessen er god. Derimot kan det fort ta mye av den fremtidige inntjeningen å lokke kundene over til seg. Markedsføring og lokketilbud har en pris. Kostnader det med relativt lave abonnementskostnader tar tid å hente inn.
Landets telekommunikasjonsselskaper kjemper i dag om de samme kundene. Skal nye kundemasser nås, må det også tas risiko. Men er det lurt? Vi som jobber i en bransje hvor risiko daglig bedømmes i form av blant annet kredittvurderinger, vet det er forskjell på hva slags risiko som bør tas avhengig av produkt og tjeneste. Er det snakk om et enkeltabonnement med inkluderte ringeminutter og fast datamengde, kan risikoen være lav. Er det derimot en bedrift eller familie som skal ha flere abonnement med smarttelefoner inkludert, blir det fort kreditt i størrelsen av et forbrukslån. Noe som bør bedømmes på lik linje som når forbruksbankene bedømmer sine kunder. Altså situasjonsbetinget kredittvurdering med ulike behov for beslutningsdata.
Vi ser nå et større behov enn tidligere, for digitale systemer til risikovurdering. Altså beslutningsmotorer som automatisk kan vurdere risiko basert på et selskaps kredittstrategi. Det handler om å bruke historiske data for å spå fremtiden. Den digitale utviklingen vi har vært gjennom de siste årene har skapt utålmodige forbrukere. De ønsker svar umiddelbart. Tar det for lang tid å få svar på søknad, hopper de fort av for å gå til neste leverandør. Behovet for å innhente data digitalt til bruk i beslutningsstøttesystemene har økt. Også behovet for å innhente mer og alternativ data for å understøtte og etterprøve beslutningene som tas.
Det er her beslutningsmotorene kommer til sin rett. Det i form av å risikovurdere alle søknader ved å hente inn alt av tilgjengelig data, for å gjøre bedømming basert på selskapets kredittstrategi. Samtidig er det viktig at en modell ikke er statisk. Søkermassen endres, tilgjengelige data endres og erfaringene øker i takt med risikovurderinger av kunder.
Modeller og strategier som jevnlig justeres, fungerer bedre. Forskjellen i dag er at vi har mer tilgjengelige data og et system som klarer å analysere dataene på brøkdelen av et sekund. Maskinlæring hjelper oss med å se sammenhenger i store datasett som vi ikke klarer å ha oversikt over.
Men hvordan kan nye, alternative datakilder, åpne opp for nye kundesegmenter? Ved kredittvurdering vil det alltid være tvilstilfeller. Det kan være at en lav kredittscore fra kredittbyrået, lav inntekt, arbeidssituasjon eller at en potensiell kunde akkurat har blitt 18 år. Blant tvilstilfellene kan det likevel være mange gode kunder som vil følge opp sine forpliktelser.
I slike tvilstilfeller kan det være god informasjon å hente inn alternative data for å støtte opp om bedømmingen. Men å hente denne type informasjon kan gå på bekostning av kundeopplevelsen og mengden opplevd friksjon i søknadsprosessen. Her kan transaksjonshistorikken som PSD2-direktivet (også kjent som Open Banking) være en god støttespiller. Ved å hente inn samtykke fra søkeren kan man få tilgang til transaksjonshistorikken fra søkerens primærbank, og på den måten la systemet digitalt bedømme tvilstilfellet. Flere datakilder i kombinasjon med gode beslutningssystemer kan på denne måten være vinn-vinn for søker og kredittgiver.
Et annet område der kraftigere verktøy og mer data er viktig, er ved svindelforsøk. Pandemien har gjort oss mer digitale – og derfor også mer sårbare for svindel. For eksempel vil noen som utgir seg for å være et firma med ti ansatte med behov for nye telefoner potensielt kunne bety et tap på 100 000 kroner ved svindel. Her vil maskinlæringsmodeller være til god hjelp, da de kan bygges på innsamlet data fra ulike systemer, onboarding-prosessen og annet tilgjengelig informasjon.
Et system for svindelbekjempelse vil kanskje ikke indikere i seg selv at det foreligger mistanke om svindel. Men ved å kombinere alt i en maskinlæringsmodell vises sammenhenger som øker mistanken for svindelforsøk, og ytterligere gransking kan iverksettes.
Den nevnte undersøkelsen viser at det er bred enighet i bransjen om at det må gjøres mer for å optimalisere bruken av maskinlæring. Én av tre sier denne type teknologi ikke brukes i det hele tatt. Manglende automatisering av egne verktøy er også en utfordring. Verktøy som i utgangspunktet gjør det enklere å forebygge svindel, samt å administrere og samle inn data.
Les mer om hvordan Experian kan hjelpe jer: https://www.experian.no/foretag/analys-och-beslut/beslutningsmodeller-og-automatisering/powercurve-strategy-management