TEST 15 JOURS

Le machine learning pour lutter contre les échecs de paiement

Les défauts de paiement représentent une sérieuse problématique pour les entreprises de toutes tailles, et courir après les impayés implique un long et coûteux processus au résultat incertain, explique Duncan Barrigan, chief product officer chez GoCardless. Selon les statistiques de la start-up, ce sont 15% des paiements qui n’aboutissent pas, faisant des échecs de paiement un problème que ni les entreprises ni les solutions de paiement ne peuvent ignorer.

Par Contribution externe. Publié le 12 mai 2020 à 10h03 - Mis à jour le 02 février 2021 à 16h25

Pourquoi les paiements échouent

De nombreux éléments peuvent être à l’origine d’un échec de paiement : problèmes techniques, transactions bloquées car évaluées à risque, erreurs des clients, carte bancaire non valide, plafond de paiement dépassé… Dans le cas des prélèvements automatiques, nous avons identifié deux principaux facteurs :

– l’insuffisance des fonds – lorsqu’il n’y a pas assez de fonds sur le compte pour couvrir le paiement
– l’annulation du mandat – lorsque le client a annulé son autorisation de prélèvement automatique

Jusqu’à présent, il était difficile de savoir si la créance pouvait être recouvrée après un échec de paiement. La capacité de réaction des entreprises dépendait d’outils peu efficaces, les tentatives étant effectuées à des dates arbitraires et les chances de succès limitées. Malheureusement, le processus classique est terriblement inefficace, et représente une perte de temps et d’argent pour les entreprises.

Dette et attrition

Les impayés et la perte de clients tuent les entreprises. En France, 25% d’entre elles disparaissaient en 2019 suite à des retards de paiement. Au total, ce sont entre 12 et 15 milliards d’euros qui ne sont pas payés au moment où ils le devraient, bien souvent au détriment des PME et PMI. Car en effet, les petites entreprises sont beaucoup plus susceptibles d’être confrontées à ce problème, ne possédant ni la force de frappe juridique ni les ressources nécessaires pour poursuivre les mauvais payeurs.

Mais les retards de paiement mettent à rude épreuve la relation clients, qui devient alors une relation conflictuelle. Nos recherches montrent que 30% des abandons de clients sont directement liés à des défauts de paiement. Pourtant, des études ont évalué que gagner un nouveau client coûte entre cinq et 25 fois plus cher que de conserver un client existant. Enfin, les échecs de paiement peuvent également nuire à la réputation d’une entreprise, notamment lorsque celle-ci se voit contrainte de communiquer les coordonnées de ses clients à une agence de recouvrement. En étant une perte de temps, de ressources et de réputation, les échecs de paiement sont un véritable fléau pour toutes les entreprises.

Comment endiguer le phénomène ?

Le machine learning est la solution.

L’utilisation du machine learning offre une approche beaucoup plus ciblée permettant de retenter un paiement au moment où les chances de réussite sont les plus élevées. Dans un avenir proche, cette technologie deviendra si performante qu’elle sera en mesure d’empêcher les paiements d’échouer en premier lieu. Les paiements de banque à banque, tels que les prélèvements automatiques, ont tendance à être plus fiables que les paiements réalisés via une carte bancaire. Nos études ont montré que le taux d’échec relatif est de 5% maximum pour les prélèvements automatiques, contre 20% pour les cartes bancaires. Avec une solution de prélèvement automatique performante, le taux d’échec peut descendre jusqu’à 2,9%.

Le machine learning se base sur l’analyse des données connues sur les paiements pour identifier le moment optimal pour prélever à nouveau un paiement qui a déjà échoué, réduisant ainsi de 15 % le taux d’échec. Cela signifie une réduction des coûts, une augmentation des revenus, une réduction du taux d’attrition et une amélioration du cash-flow. Près de neuf entreprises sur dix ayant recours à ce processus déclarent avoir gagné un temps considérable, tout en préservant leur relation avec les clients concernés. Et cette technologie ne cesse de s’améliorer. De plus en plus de données étant traitées, les algorithmes deviennent de plus performants pour optimiser les dates de prélèvement. Le taux d’échec des paiements est actuellement tombé à 0,5% – et ce chiffre peut encore être amélioré.

Mais cette technologie a encore beaucoup à offrir : elle sera prochainement en mesure de prédire le moment où un paiement échouera et de le re-programmer automatiquement. Des options personnalisées pourront également être proposées aux débiteurs en difficultés, telles que le paiement en plusieurs fois.

Une solution orientée client

Il est plus que jamais nécessaire de renforcer l’efficacité des entreprises et d’améliorer leurs relations clients. La pandémie de Covid-19 a créé des enjeux majeurs pour tous : aucune entreprise ne souhaite voir sa relation clients se détériorer, et aucun client voir ses difficultés ignorées. Avoir recours à des outils performants en mesure de supprimer ce point conflictuel, mais hautement stratégique, que représentent les impayés est essentiel pour chaque entreprise.

Une utilisation des nouvelles technologies de paiement améliore non seulement le taux de réussite, préserve les relations, mais cela est également bénéfique aux clients, qui voit leurs incidents de paiement et les frais de recouvrement associés diminuer.

Toutes les ressources liées à cet article
Les sociétés

Besoin d’informations complémentaires ?

Contactez

le service d’études à la demande de mind

À lire

Entretien

Côme Trémeau (GoCardless) : “Après une année de flottement, GoCardless relance ses investissements en France”

Confidentiel

GoCardless a enregistré 20 millions de livres de chiffre d’affaires en 2018

GoCardless et TransferWise s’associent pour lancer un réseau international de paiements récurrents