ການອັດຕະໂນມັດໃນການທວງຖາມໜີ້ສິນ (Payment Dunning) ແມ່ນກົນໄກທີ່ AI ຈະວິເຄາະລະດັບຄວາມສຳຄັນໃນການເກັບໜີ້ຂອງລູກໜີ້ແຕ່ລະລາຍ, ພ້ອມທັງປັບປ່ຽນວິທີການ, ເວລາ ແລະ ເນື້ອໃນຂອງການແຈ້ງເຕືອນໃຫ້ເໝາະສົມໂດຍອັດຕະໂນມັດ ເພື່ອຫຼຸດຜ່ອນແຮງງານໃນວຽກງານການເກັບໜີ້ສິນຄ້າຄ້າງຈ່າຍ.

ບົດຄວາມນີ້ມີຈຸດປະສົງເພື່ອແນະນຳຜູ້ຮັບຜິດຊອບດ້ານບັນຊີ ແລະ ການບໍລິຫານສິນເຊື່ອ ທີ່ກຳລັງປະສົບກັບບັນຫາວຽກງານການທວງຖາມໜີ້ທີ່ຂຶ້ນກັບບຸກຄົນໃດໜຶ່ງ (属人化) ແລະ ຕົ້ນທຶນທີ່ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ ໂດຍອະທິບາຍຕັ້ງແຕ່ການເລືອກລະບົບ, ການເລີ່ມໃຊ້ງານ, ຈົນເຖິງການປັບປຸງຢ່າງຕໍ່ເນື່ອງໃນ 6 ຂັ້ນຕອນ. ທ່ານຈະສາມາດເຂົ້າໃຈພາບລວມຕັ້ງແຕ່ວິທີການຈັດອັນດັບການທວງຖາມ, ການອັດຕະໂນມັດໃນການແຈ້ງເຕືອນ, ການສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ (Escalation) ແລະ ການກວດສອບຍອດເງິນເຂົ້າ, ການເຊື່ອມຕໍ່ກັບຂັ້ນຕອນທາງກົດໝາຍ, ຕະຫຼອດຈົນເຖິງຂໍ້ຜິດພາດທີ່ມັກພົບເລື້ອຍ.

ທັງນີ້, ບົດຄວາມນີ້ມີຈຸດປະສົງເພື່ອໃຫ້ຂໍ້ມູນເທົ່ານັ້ນ ແລະ ບໍ່ແມ່ນຄຳແນະນຳທາງກົດໝາຍ. ສຳລັບວິທີການດຳເນີນການທາງກົດໝາຍຢ່າງລະອຽດ ເຊັ່ນ: ການຍື່ນຄຳຮ້ອງຂໍໃຫ້ຊຳລະໜີ້ ຫຼື ການສົ່ງໜັງສືຢັ້ງຢືນເນື້ອຫາ (Content-certified mail), ຂໍແນະນຳໃຫ້ປຶກສາຜູ້ຊ່ຽວຊານເຊັ່ນ: ທະນາຍຄວາມ.

ວຽກງານການເກັບກູ້ໜີ້ສິນແມ່ນການແຂ່ງກັບເວລາ ເພາະ "ຍິ່ງຊັກຊ້າເທົ່າໃດ ອັດຕາການເກັບກູ້ກໍຍິ່ງຫຼຸດລົງເທົ່ານັ້ນ". ການທວງຖາມດ້ວຍມືມັກຈະຂຶ້ນກັບບຸກຄົນ ແລະ ເມື່ອຈຳນວນກໍລະນີເພີ່ມຂຶ້ນ ກໍຈະເກີດການຕົກຫຼົ່ນ ແລະ ລ່າຊ້າ. ຕໍ່ໄປນີ້ແມ່ນການສະຫຼຸບຄວາມສຳຄັນຂອງການເຮັດໃຫ້ວຽກງານນີ້ເປັນອັດຕະໂນມັດ ໂດຍອີງໃສ່ຂໍ້ຈຳກັດໃນປັດຈຸບັນ ແລະ ໂຄງສ້າງຕົ້ນທຶນ.

ການຕິດຕາມໜີ້ສິນດ້ວຍມືມີຂໍ້ຈຳກັດ 3 ປະການທີ່ມັກຈະປາກົດຂຶ້ນເມື່ອຈຳນວນລາຍການ ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ:

1. ການຕົກຫຼົ່ນ ແລະ ຄວາມຊັກຊ້າ: ການຕິດຕາມວ່າໃຜ, ເມື່ອໃດ ທີ່ໄດ້ຮັບການທວງຖາມນັ້ນ ຂຶ້ນຢູ່ກັບຄວາມຊົງຈຳຂອງພະນັກງານ ຫຼື ບັນຊີລາຍຊື່ທີ່ກະຈັດກະຈາຍ ເຮັດໃຫ້ພາດຊ່ວງເວລາທີ່ເໝາະສົມ. ເນື່ອງຈາກການເກັບໜີ້ຍິ່ງຊ້າກໍຍິ່ງຍາກ, ການເລີ່ມຕົ້ນທີ່ຊັກຊ້າຈຶ່ງ ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ ອັດຕາການເກັບໜີ້ຫຼຸດລົງໂດຍກົງ.
2. ການເພິ່ງພາຕົວບຸກຄົນ: ເກນການຕັດສິນໃຈໃນການທວງຖາມ (ຈະຕິດຕໍ່ລູກຄ້າລາຍໃດ, ດ້ວຍຂໍ້ຄວາມແບບໃດ, ເວລາໃດ) ຖືກສະສົມໄວ້ໃນປະສົບການຂອງພະນັກງານ ເຮັດໃຫ້ການສົ່ງມອບວຽກເຮັດໄດ້ຍາກ. ເມື່ອມີການປ່ຽນພະນັກງານ, ຄຸນນະພາບຂອງວຽກກໍຈະຫຼຸດລົງ.
3. ຂໍ້ຈຳກັດດ້ານຂະໜາດຂອງຈຳນວນລາຍການ: ເມື່ອຈຳນວນລູກຄ້າເພີ່ມຂຶ້ນ, ພະນັກງານຈະບໍ່ສາມາດຈັດການກັບລູກຄ້າທີ່ມີຄວາມສຳຄັນສູງໄດ້ທົ່ວເຖິງ ແລະ ມັກຈະເກີດລຳດັບການເຮັດວຽກທີ່ບໍ່ສົມເຫດສົມຜົນ ເຊັ່ນ: "ການຈັດການກັບລູກຄ້າທີ່ສົ່ງສຽງດັງກ່ອນ".

ສິ່ງເຫຼົ່ານີ້ບໍ່ແມ່ນບັນຫາດ້ານຄວາມສາມາດຂອງພະນັກງານ, ແຕ່ເປັນບັນຫາດ້ານໂຄງສ້າງທີ່ອາໄສພຽງແຕ່ແຮງງານຄົນໃນການຕັດສິນໃຈ ແລະ ປະຕິບັດວຽກງານ. ດ້ວຍເຫດນີ້, ຈຶ່ງມີຊ່ອງວ່າງຢ່າງຫຼວງຫຼາຍທີ່ຈະແກ້ໄຂດ້ວຍລະບົບ.

ການອັດຕະໂນມັດມີປະສິດທິພາບກໍຍ້ອນວ່າສາມາດປ່ຽນແທນການທວງຖາມດ້ວຍ "ກົນໄກທີ່ອີງໃສ່ກົດລະບຽນ ແລະ ຄວາມສຳຄັນ". AI ຈະປະເມີນຄວາມສ່ຽງໃນການເກັບເງິນຈາກປະຫວັດການຊຳລະ ແລະ ຄຸນລັກສະນະຂອງຄູ່ຄ້າ, ຈາກນັ້ນຈຶ່ງສົ່ງການແຈ້ງເຕືອນດ້ວຍເວລາ ແລະ ຂໍ້ຄວາມທີ່ເໝາະສົມທີ່ສຸດໄປຍັງລູກຄ້າທີ່ມີຄວາມສຳຄັນສູງ. ພະນັກງານທີ່ຮັບຜິດຊອບສາມາດສຸມໃສ່ການເຮັດວຽກທີ່ມະນຸດເທົ່ານັ້ນທີ່ເຮັດໄດ້ ເຊັ່ນ: ການຈັດການກັບກໍລະນີຍົກເວັ້ນ ແລະ ການເຈລະຈາ.

ຢ່າງໃດກໍຕາມ, ບໍ່ສາມາດເວົ້າໄດ້ວ່າ "ຖ້າຫາກເຮັດໃຫ້ເປັນອັດຕະໂນມັດແລ້ວ ອັດຕາການເກັບເງິນຈະເພີ່ມຂຶ້ນສະເໝີ". ປະສິດທິຜົນແມ່ນຂຶ້ນຢູ່ກັບຄຸນນະພາບຂອງຂໍ້ມູນ ແລະ ການອອກແບບການດຳເນີນງານ. ສິ່ງທີ່ຄາດຫວັງໄດ້ຄື ການຫຼຸດຜ່ອນການຕົກຫຼົ່ນໃນການທວງຖາມ, ການເລັ່ງຄວາມໄວໃນການເລີ່ມຕົ້ນວຽກງານ ແລະ ການຫຼຸດຜ່ອນຊົ່ວໂມງເຮັດວຽກຂອງພະນັກງານ, ເຊິ່ງການປັບປຸງອັດຕາການເກັບເງິນຈະປາກົດອອກມາເປັນຜົນຕາມຫຼັງ.

ສຳລັບຂົງເຂດທີ່ໃກ້ຄຽງກັບວຽກງານການເກັບເງິນ, ການເຮັດໃຫ້ຂະບວນການຕັ້ງແຕ່ການຈັດການໃບແຈ້ງໜີ້ໄປຈົນເຖິງການປິດບັນຊີປະຈຳເດືອນເປັນອັດຕະໂນມັດນັ້ນ ໄດ້ມີການກ່າວເຖິງໃນ ການນຳໃຊ້ AI ເພື່ອເຮັດໃຫ້ວຽກງານບັນຊີ ແລະ ການຈັດການໃບແຈ້ງໜີ້ເປັນອັດຕະໂນມັດ ແລ້ວ. ການທວງຖາມແມ່ນຂະບວນການ ຫຼື Pipeline ທີ່ຢູ່ຖັດລົງມາຈາກຈຸດນັ້ນ.

ຄວາມສຳເລັດ ຫຼື ຄວາມລົ້ມເຫຼວຂອງການເຮັດອັດຕະໂນມັດ ແມ່ນຖືກຕັດສິນເກືອບທັງໝົດຈາກ "ການກວດສອບຂໍ້ມູນ ແລະ ລະບົບ" ກ່ອນເລີ່ມຕົ້ນ. ທັງການໃຫ້ຄະແນນ (Scoring) ແລະ ການແຈ້ງເຕືອນ ລ້ວນແຕ່ມີເງື່ອນໄຂເບື້ອງຕົ້ນຄື ການເຊື່ອມຕໍ່ຂໍ້ມູນທີ່ເປັນພື້ນຖານເຂົ້າກັບລະບົບທີ່ມີຢູ່. ໃຫ້ກວດສອບສິ່ງທີ່ຄວນມີຢ່າງໜ້ອຍທີ່ສຸດ.

ເພື່ອເຮັດໃຫ້ການຕິດຕາມໜີ້ສິນເປັນແບບອັດຕະໂນມັດ, ຢ່າງໜ້ອຍຕ້ອງມີຂໍ້ມູນຕໍ່ໄປນີ້ໃຫ້ຄົບຖ້ວນ:

• ບັນຊີລູກໜີ້: ຈຳນວນເງິນທີ່ຮຽກເກັບ, ວັນທີກຳນົດຊຳລະ ແລະ ຍອດເຫຼືອ. ເປັນຂໍ້ມູນພື້ນຖານທີ່ລະບຸວ່າໃຜເປັນໜີ້ເທົ່າໃດ ແລະ ມີກຳນົດຊຳລະເຖິງເມື່ອໃດ.
• ປະຫວັດການຊຳລະເງິນ: ຈຳນວນວັນທີ່ຊຳລະຊ້າໃນອະດີດ ຫຼື ການແບ່ງຈ່າຍ. ເປັນຂໍ້ຄຶດທີ່ສຳຄັນທີ່ສຸດໃນການຄາດຄະເນຄວາມສ່ຽງໃນການເກັບໜີ້.
• ຂໍ້ມູນລູກຄ້າ: ຂະໜາດທຸລະກຳ, ປະເພດທຸລະກິດ, ໄລຍະເວລາໃນການເຮັດທຸລະກຳ, ວົງເງິນສິນເຊື່ອ ແລະ ອື່ນໆ. ເຊິ່ງຈະສົ່ງຜົນຕໍ່ຄວາມຖືກຕ້ອງໃນການຈັດກຸ່ມຄວາມສ່ຽງ.

ບັນຫາທີ່ພົບເລື້ອຍຄື ຂໍ້ມູນກະຈັດກະຈາຍຢູ່ໃນໄຟລ໌ຕາຕະລາງຄຳນວນຫຼາຍໄຟລ໌ ຫຼື ແຍກຢູ່ຕາມພະແນກຕ່າງໆ, ລວມທັງຮູບແບບການບັນທຶກຂໍ້ມູນທີ່ບໍ່ເປັນລະບົບດຽວກັນ. ການໃຫ້ຄະແນນ (Scoring) ບໍ່ສາມາດມີຄຸນນະພາບດີເກີນກວ່າຄຸນນະພາບຂອງຂໍ້ມູນທີ່ປ້ອນເຂົ້າໄປໄດ້. ເຖິງວ່າບໍ່ຈຳເປັນຕ້ອງລໍຖ້າໃຫ້ຂໍ້ມູນສົມບູນແບບ, ແຕ່ສະຖານະທີ່ "ສາມາດນຳວັນທີກຳນົດຊຳລະ ແລະ ວັນທີໄດ້ຮັບເງິນມາປຽບທຽບກັນໄດ້" ແມ່ນເງື່ອນໄຂຂັ້ນຕ່ຳທີ່ຕ້ອງຈັດຕຽມໃຫ້ພ້ອມ.

ຕໍ່ໄປ, ໃຫ້ກວດສອບວິທີການທີ່ລະບົບທວງຖາມຈະສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ກັບລະບົບການບັນຊີ ແລະ ERP ທີ່ມີຢູ່. ສິ່ງທີ່ຄວນພິຈາລະນາຫຼັກໆມີ 3 ປະການ:

• ວິທີການດຶງຂໍ້ມູນ: ສາມາດເຊື່ອມຕໍ່ຜ່ານ API ໄດ້ ຫຼື ຕ້ອງອາໄສການສົ່ງອອກໄຟລ໌ CSV. ຖ້າສາມາດເຊື່ອມຕໍ່ຜ່ານ API ໄດ້, ຂອບເຂດຂອງການເຮັດວຽກແບບອັດຕະໂນມັດກໍຈະກວ້າງຂຶ້ນ.
• ຄວາມຖີ່ໃນການອັບເດດ: ການຕັດຍອດເງິນຝາກຈະຖືກສະທ້ອນເຂົ້າໃນ ERP ແບບ Real-time ຫຼື ບໍ່. ຖ້າການສະທ້ອນຂໍ້ມູນຊ້າ, ອາດເກີດຄວາມຜິດພາດໃນການສົ່ງໃບທວງຖາມໄປຫາຜູ້ທີ່ຊຳລະເງິນແລ້ວ.
• ຄວາມສາມາດໃນການຂຽນຂໍ້ມູນກັບຄືນ: ສາມາດສົ່ງປະຫວັດການທວງຖາມ ແລະ ສະຖານະການເກັບເງິນກັບຄືນໄປຫາຝັ່ງ ERP ໄດ້ ຫຼື ບໍ່.

ສຳລັບການເຊື່ອມໂຍງລະບົບການເຮັດວຽກຫຼັກໂດຍອີງໃສ່ການເຊື່ອມຕໍ່ API, ສາມາດອ້າງອີງໄດ້ຈາກ ERP×AI による基幹業務の統合. ຄວາມສາມາດໃນການເຊື່ອມຕໍ່ຈະສົ່ງຜົນກະທົບຢ່າງຫຼວງຫຼາຍຕໍ່ຂອບເຂດການນຳໃຊ້, ດັ່ງນັ້ນຕ້ອງມີການກວດສອບຄວາມພ້ອມໃຫ້ລະອຽດກ່ອນການເລືອກເຄື່ອງມື.

ຈຸດເລີ່ມຕົ້ນຂອງການເຮັດວຽກແບບອັດຕະໂນມັດ ຄືການຢຸດ "ສົ່ງການແຈ້ງເຕືອນແບບດຽວກັນໃຫ້ທຸກຄົນ" ແລະ ແບ່ງລຳດັບຄວາມສຳຄັນຕາມຄວາມສ່ຽງໃນການເກັບໜີ້. ຕໍ່ໄປນີ້ແມ່ນຂັ້ນຕອນ 6 ຂັ້ນຕອນ. Step 1 ແມ່ນການອອກແບບການຈັດອັນດັບຂອງລູກໜີ້.

ການໃຫ້ຄະແນນ (Scoring) ບໍ່ຈຳເປັນຕ້ອງໃຊ້ AI Model ລະດັບສູງໃນທັນທີ. ການເລີ່ມຕົ້ນຈາກການໃຫ້ຄະແນນແບບອີງຕາມກົດເກນ (Rule-based) ໂດຍມີປະຫວັດການຝາກເງິນເປັນ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ນັ້ນຖືເປັນວິທີທີ່ໜັກແໜ້ນ. ອົງປະກອບຫຼັກທີ່ຄວນພິຈາລະນາມີດັ່ງນີ້:

• ຈຳນວນມື້ທີ່ຊັກຊ້າໂດຍສະເລ່ຍໃນອະດີດ ແລະ ຄວາມຖີ່ຂອງການຊັກຊ້າ
• ຈຳນວນເງິນທີ່ຄ້າງຊຳລະ ແລະ ຈຳນວນມື້ທີ່ຄ້າງຊຳລະໃນປັດຈຸບັນ
• ອັດຕາສ່ວນຂອງການຄ້າງຊຳລະຕໍ່ຂະໜາດການເຮັດທຸລະກຳ ແລະ ວົງເງິນສິນເຊື່ອ
• ສະຖານະການເຮັດທຸລະກຳ ແລະ ການຕິດຕໍ່ຫຼ້າສຸດ

ນຳເອົາປັດໄຈເຫຼົ່ານີ້ມາຖ່ວງນ້ຳໜັກ ແລະ ລວມຄະແນນກັນ ເພື່ອແບ່ງອອກເປັນ 3 ລະດັບ ເຊັ່ນ: "ຄວນລະວັງ, ປົກກະຕິ, ດີເດັ່ນ". ໃນໄລຍະທຳອິດ ຄວນດຳເນີນການດ້ວຍກົດເກນທີ່ລຽບງ່າຍ ແລະ ປັບນ້ຳໜັກໂດຍການປຽບທຽບກັບຜົນການເກັບກູ້. ການພັດທະນາໄປພ້ອມກັບການດຳເນີນງານຕົວຈິງແມ່ນມີຄວາມເປັນໄປໄດ້ຫຼາຍກວ່າການຕັ້ງເປົ້າໝາຍສ້າງ Model ທີ່ຊັບຊ້ອນຕັ້ງແຕ່ຕົ້ນ.

ເມື່ອສ້າງພື້ນຖານດ້ວຍລະບົບກົດເກນ (Rule-based) ແລ້ວ, ຍັງມີທາງເລືອກໃນການເພີ່ມການຈັດປະເພດດ້ວຍການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (Machine Learning) ເຂົ້າໄປ. ນີ້ແມ່ນຮູບແບບການຮຽນຮູ້ຈາກຜົນງານໃນອະດີດວ່າ "ການຊຳລະໜີ້ຊັກຊ້າໄດ້ຍືດເຍື້ອອອກໄປ ຫຼື ບໍ່" ເພື່ອໃຫ້ຜົນອອກມາເປັນຄວາມສ່ຽງຕໍ່ການຜິດນັດຊຳລະໜີ້ໄລຍະຍາວຂອງໜີ້ສິນໃໝ່ໃນຮູບແບບຂອງຄວາມໜ້າຈະເປັນ.

ຢ່າງໃດກໍຕາມ, ບໍ່ແນະນຳໃຫ້ປ່ຽນໄປໃຊ້ໂມເດວ AI ແບບເຕັມຮູບແບບໃນທັນທີ. ຄວນລະວັງຈຸດຕ່າງໆດັ່ງນີ້:

• ຄວາມສາມາດໃນການອະທິບາຍ (Explainability): ພະນັກງານທີ່ຮັບຜິດຊອບຕ້ອງສາມາດອະທິບາຍໄດ້ວ່າເປັນຫຍັງຈຶ່ງໄດ້ຮັບການຈັດອັນດັບນັ້ນ. ການທວງຖາມໜີ້ສິນເປັນວຽກງານທີ່ຕ້ອງພົວພັນກັບບຸກຄົນອື່ນ, ການຕັດສິນໃຈທີ່ບໍ່ມີຫຼັກຖານຊັດເຈນຈຶ່ງນຳໄປໃຊ້ງານໄດ້ຍາກ.
• ປະລິມານຂໍ້ມູນ: ການຮຽນຮູ້ຕ້ອງການຂໍ້ມູນຜົນງານໃນປະລິມານທີ່ແນ່ນອນ. ໃນຂັ້ນຕອນທີ່ຂໍ້ມູນຍັງມີໜ້ອຍ, ການໃຊ້ລະບົບກົດເກນຈະມີຄວາມສະຖຽນກວ່າ.
• ການກວດສອບຄວາມລຳອຽງ: ຕ້ອງກວດສອບຢ່າງສະໝໍ່າສະເໝີວ່າ ມີການໃຫ້ຄວາມບໍ່ເປັນທຳຕໍ່ອຸດສາຫະກຳ ຫຼື ຂະໜາດທຸລະກິດໃດໜຶ່ງໂດຍບໍ່ສົມຄວນຫຼືບໍ່.

ລະບົບກົດເກນ ແລະ ໂມເດວ AI ບໍ່ແມ່ນສິ່ງທີ່ຕ້ອງເລືອກຢ່າງໃດຢ່າງໜຶ່ງ. ການນຳໃຊ້ຮ່ວມກັນໂດຍການກຳນົດໂຄງຮ່າງຫຼັກດ້ວຍກົດເກນ ແລະ ເສີມຄວາມແມ່ນຍຳດ້ວຍ AI ແມ່ນວິທີການທີ່ເໝາະສົມກັບການປະຕິບັດງານຕົວຈິງ.

ເມື່ອຈັດລະດັບແລ້ວ, ຈະດຳເນີນການອັດຕະໂນມັດໃນວຽກງານການເກັບເງິນ ເຊິ່ງເປັນ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງການແຈ້ງເຕືອນ, ການສົ່ງຂໍ້ມູນຕໍ່ໃຫ້, ແລະ ການກວດສອບການຊຳລະເງິນ. ນີ້ແມ່ນສ່ວນທີ່ມີປະສິດທິຜົນສູງສຸດໃນການຫຼຸດຜ່ອນຂັ້ນຕອນການເຮັດວຽກ. ຕໍ່ໄປນີ້ຈະເປັນການເບິ່ງ 3 ຂັ້ນຕອນລວມກັນ.

ຂັ້ນຕອນທີ 2 ແມ່ນການເຮັດໃຫ້ການແຈ້ງເຕືອນເປັນແບບອັດຕະໂນມັດ ໂດຍຈະແຍກຊ່ອງທາງ, ເວລາ ແລະ ເນື້ອຫາໃຫ້ເໝາະສົມກັບລະດັບການເກັບໜີ້ ແລະ ໄລຍະເວລາການຄ້າງຊຳລະ.

• ອີເມວ (Email): ການແຈ້ງເຕືອນແບບມາດຕະຖານໃນໄລຍະເລີ່ມຕົ້ນ ເຊິ່ງມີຕົ້ນທຶນຕ່ຳ ແລະ ສາມາດຈັດການກັບຈຳນວນຫຼາຍໄດ້.
• SMS/ແອັບພລິເຄຊັນສົ່ງຂໍ້ຄວາມ: ເປັນການເສີມສຳລັບກໍລະນີທີ່ຜູ້ຮັບບໍ່ຄ່ອຍເປີດອີເມວອ່ານ, ເຊິ່ງໃນບາງພື້ນທີ່ຊ່ອງທາງນີ້ອາດກາຍເປັນຊ່ອງທາງຫຼັກ.
• ໂທລະສັບ: ສຳລັບກໍລະນີທີ່ມີຄວາມສຳຄັນສູງ ເຊັ່ນ: ຍອດເງິນສູງ ຫຼື ຄ້າງຊຳລະເປັນເວລາດົນ. AI ຈະກຽມລາຍຊື່ການໂທ ແລະ ຈຸດສຳຄັນຂອງການສົນທະນາ (Talk script) ໄວ້ໃຫ້, ສ່ວນການສົນທະນາຕົວຈິງຈະດຳເນີນການໂດຍພະນັກງານທີ່ຮັບຜິດຊອບ.

ເນື້ອຫາຈະມີການປັບປ່ຽນນ້ຳສຽງໄປຕາມແຕ່ລະໄລຍະ (ຈາກການແຈ້ງເຕືອນຢ່າງສຸພາບ → ການລະບຸວັນທີກຳນົດຢ່າງຊັດເຈນ → ການແຈ້ງເຕືອນກ່ຽວກັບຂັ້ນຕອນທາງກົດໝາຍ). ນອກຈາກນີ້, ຍັງສາມາດໃຊ້ Generative AI ເພື່ອປັບປ່ຽນເນື້ອຫາໃຫ້ເໝາະສົມກັບຄູ່ຄ້າແຕ່ລະລາຍໄດ້, ແຕ່ຈະຕ້ອງມີການກວດສອບແມ່ແບບ (Template) ກ່ອນສົ່ງໂດຍມະນຸດ ເພື່ອປ້ອງກັນບໍ່ໃຫ້ມີການໃຊ້ຖ້ອຍຄຳທີ່ບໍ່ເໝາະສົມ ຫຼື ຕົວເລກຈຳນວນເງິນທີ່ຜິດພາດ.

ຂັ້ນຕອນທີ 3 ແມ່ນການຄວບຄຸມການຍົກລະດັບ (Escalation). ບໍ່ຄວນໃຫ້ທຸກຢ່າງດຳເນີນການໂດຍອັດຕະໂນມັດທັງໝົດ, ແຕ່ໃຫ້ມີການຕັດສິນໃຈຂອງມະນຸດ (Human-in-the-loop, HITL) ເຂົ້າມາແຊກແຊງກ່ອນການດຳເນີນການທີ່ມີຄວາມສ່ຽງສູງ.

• ການດຳເນີນການທີ່ສາມາດເຮັດແບບອັດຕະໂນມັດໄດ້: ການສົ່ງຂໍ້ຄວາມເຕືອນຕາມຮູບແບບທີ່ກຳນົດໄວ້, ການອັບເດດສະຖານະ, ການແຈ້ງເຕືອນພາຍໃນບໍລິສັດ ແລະ ອື່ນໆ ເຊິ່ງເປັນການດຳເນີນການທີ່ສາມາດແກ້ໄຂຄືນໄດ້.
• ການດຳເນີນການທີ່ຕ້ອງຜ່ານການອະນຸມັດຈາກມະນຸດ: ການແຈ້ງເຕືອນກ່ຽວກັບຂັ້ນຕອນທາງກົດໝາຍ, ການແຈ້ງຢຸດການຊື້ຂາຍ, ການປ່ຽນແປງເນື້ອຫາສຳຄັນ ແລະ ອື່ນໆ ເຊິ່ງເປັນການດຳເນີນການທີ່ກ່ຽວຂ້ອງກັບຄວາມສ່ຽງທາງກົດໝາຍ ແລະ ຄວາມສຳພັນກັບຄູ່ຄ້າ.

ການເກັບກູ້ໜີ້ສິນມັກຈະສົ່ງຜົນກົງກັນຂ້າມຫາກເຮັດໃຫ້ຄວາມສຳພັນກັບອີກຝ່າຍເສຍຫາຍ. ການກຳນົດເສັ້ນແບ່ງວ່າ "ຄວນດຳເນີນການແບບອັດຕະໂນມັດເຖິງຂັ້ນໃດ ແລະ ຄວນໃຫ້ມະນຸດເຂົ້າມາຈັດການຕອນໃດ" ໂດຍອີງຕາມລະດັບຄວາມສ່ຽງ ແມ່ນກຸນແຈສຳຄັນທີ່ເຮັດໃຫ້ການເຮັດວຽກແບບອັດຕະໂນມັດ ແລະ ການຮັກສາຄວາມສຳພັນສາມາດດຳເນີນໄປຄຽງຄູ່ກັນໄດ້. ເມື່ອການດຳເນີນງານມີຄວາມໝັ້ນຄົງແລ້ວ, ຈຶ່ງຄ່ອຍໆຂະຫຍາຍຂອບເຂດຂອງການເຮັດວຽກແບບອັດຕະໂນມັດໃຫ້ກວ້າງຂຶ້ນເທື່ອລະໜ້ອຍ.

ຂັ້ນຕອນທີ 4 ແມ່ນການອັດຕະໂນມັດໃນການກວດສອບການຊຳລະເງິນ (ການຕັດຍອດ). ການສົ່ງໃບທວງໜີ້ຢ່າງຕໍ່ເນື່ອງໃຫ້ກັບລູກຄ້າທີ່ຄວນຈະຢຸດການທວງແລ້ວນັ້ນ ເປັນຄວາມຜິດພາດທີ່ເຮັດໃຫ້ຄວາມເຊື່ອໝັ້ນໃນວຽກງານການເກັບໜີ້ເສຍຫາຍຫຼາຍທີ່ສຸດ. ເພື່ອປ້ອງກັນສິ່ງນີ້, ການຈັບຄູ່ຂໍ້ມູນການຊຳລະເງິນກັບໃບແຈ້ງໜີ້ໂດຍອັດຕະໂນມັດຈຶ່ງເປັນ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ.

• ຈັບຄູ່ຂໍ້ມູນການຝາກເງິນຈາກທະນາຄານກັບບັນຊີລູກໜີ້ໂດຍອັດຕະໂນມັດ ໂດຍອີງຕາມຈຳນວນເງິນ, ຊື່ຜູ້ໂອນ ແລະ ເລກອ້າງອີງ.
• ລາຍການທີ່ບໍ່ສາມາດຈັບຄູ່ກັນໄດ້ໂດຍອັດຕະໂນມັດ ເຊັ່ນ: ຊື່ທີ່ມີຄວາມແຕກຕ່າງກັນເລັກນ້ອຍ ຫຼື ການຊຳລະເງິນແບບແບ່ງຈ່າຍ ຈະຖືກສົ່ງຕໍ່ໃຫ້ພະນັກງານຮັບຜິດຊອບເພື່ອ "ກວດສອບ".
• ໜີ້ສິນທີ່ຕັດຍອດສຳເລັດແລ້ວ ຈະຖືກຍົກເວັ້ນອອກຈາກຂະບວນການທວງໜີ້ທັນທີ.

ຍິ່ງການຕັດຍອດເງິນຊຳລະມີຄວາມໄວໃກ້ຄຽງກັບ ແບບ Real-time ຫຼາຍເທົ່າໃດ, ຄວາມສ່ຽງໃນການທວງໜີ້ຜິດພາດກໍຍິ່ງຫຼຸດລົງ. "ຄວາມຖີ່ໃນການສະທ້ອນຂໍ້ມູນເຂົ້າສູ່ ERP" ທີ່ໄດ້ກ່າວໄວ້ໃນເງື່ອນໄຂເບື້ອງຕົ້ນນັ້ນ ມີຜົນໃນຈຸດນີ້. ໃນພາກພື້ນທີ່ມີການແຜ່ຫຼາຍຂອງການຊຳລະເງິນທາງອີເລັກໂທຣນິກ, ການເຊື່ອມຕໍ່ກັບແພລດຟອມການຊຳລະເງິນຈະຊ່ວຍສົ່ງເສີມການກວດສອບຂໍ້ມູນໃຫ້ມີປະສິດທິພາບຍິ່ງຂຶ້ນ (ເບິ່ງເພີ່ມເຕີມໄດ້ທີ່ ການຫັນປ່ຽນດິຈິຕອນດ້ານການຊຳລະເງິນ ແລະ ວຽກງານບັນຊີລູກໜີ້/ໃບແຈ້ງໜີ້).

ສຳລັບໜີ້ສິນທີ່ບໍ່ສາມາດເກັບກູ້ໄດ້ຜ່ານການແຈ້ງເຕືອນ, ມາດຕະການທາງກົດໝາຍອາດຈະຖືກນຳມາພິຈາລະນາ. ນີ້ແມ່ນຂົງເຂດ YMYL, ເຊິ່ງສິ່ງທີ່ສາມາດເຮັດໃຫ້ເປັນອັດຕະໂນມັດໄດ້ມີພຽງແຕ່ "ການກຽມພ້ອມ ແລະ ການປະສານງານ" ເທົ່ານັ້ນ. ສຸດທ້າຍນີ້, ຈະຂໍສະຫຼຸບໂດຍລວມເຖິງການປັບປຸງການດຳເນີນງານຢ່າງຕໍ່ເນື່ອງ.

ໃນກໍລະນີທີ່ບໍ່ສາມາດເກັບໜີ້ໄດ້ດ້ວຍການທວງຖາມແບບສະໝັກໃຈ, ທາງເລືອກຕໍ່ໄປຄືການດຳເນີນການທາງກົດໝາຍ ເຊັ່ນ: ການສົ່ງໜັງສືແຈ້ງເຕືອນທາງໄປສະນີ (Content-certified mail) ຫຼື ການຍື່ນຄຳຮ້ອງຂໍໃຫ້ຊຳລະໜີ້ຜ່ານສານແຂວງ. ສິ່ງທີ່ AI ແລະ ລະບົບສາມາດຮັບຜິດຊອບໄດ້ນັ້ນ ແມ່ນພຽງແຕ່ການກຽມການ ແລະ ການປະສານງານເທົ່ານັ້ນ.

• ສະກັດຂໍ້ມູນໜີ້ສິນທີ່ຄ້າງຊຳລະເປັນເວລາດົນ ແລະ ຍາກທີ່ຈະເກັບຄືນໄດ້ໂດຍສະໝັກໃຈໂດຍອັດຕະໂນມັດ, ພ້ອມທັງສະເໜີໃຫ້ພະນັກງານທີ່ຮັບຜິດຊອບພິຈາລະນາເປັນທາງເລືອກໃນການດຳເນີນຄະດີ.
• ຈັດລະບຽບ ແລະ ແນບເອກະສານທີ່ຈຳເປັນ (ປະຫວັດການເຮັດທຸລະກຳ, ໃບແຈ້ງໜີ້, ປະຫວັດການທວງຖາມ) ໂດຍອັດຕະໂນມັດ.
• ແຈ້ງເຕືອນກ່ຽວກັບກຳນົດເວລາຂອງຂະບວນການ ຫຼື ອາຍຸຄວາມ.

ຢ່າງໃດກໍຕາມ, ການຕັດສິນໃຈວ່າຈະຍື່ນຄຳຮ້ອງໄດ້ຫຼືບໍ່, ວິທີການດຳເນີນການ, ແລະ ການຕັດສິນເລື່ອງອາຍຸຄວາມນັ້ນ ຈຳເປັນຕ້ອງໃຊ້ຄວາມຮູ້ທາງກົດໝາຍສະເພາະດ້ານ. ຂັ້ນຕອນນີ້ບໍ່ແມ່ນເປົ້າໝາຍຂອງການເຮັດອັດຕະໂນມັດ ແລະ ເປັນຂະບວນການທີ່ຕ້ອງອີງໃສ່ການປຶກສາຫາລືກັບຜູ້ຊ່ຽວຊານ ເຊັ່ນ: ທະນາຍຄວາມ. ການໃຫ້ລະບົບມີບົດບາດພຽງແຕ່ "ການກະກຽມຂໍ້ມູນເພື່ອສົ່ງໃຫ້ຜູ້ຊ່ຽວຊານຢ່າງວ່ອງໄວ" ຖືເປັນທາງເລືອກທີ່ປອດໄພກວ່າ.

ຂັ້ນຕອນທີ 6 ແມ່ນການປັບປຸງຢ່າງຕໍ່ເນື່ອງ. ຢ່າຢຸດພຽງແຕ່ການນຳໃຊ້ເທົ່ານັ້ນ, ແຕ່ໃຫ້ວັດແທກຕົວຊີ້ວັດ ແລະ ສືບຕໍ່ປັບປຸງການອອກແບບການໃຫ້ຄະແນນ (Scoring) ແລະ ການແຈ້ງເຕືອນ. KPI ທີ່ສຳຄັນມີດັ່ງນີ້:

• ໄລຍະເວລາການເກັບໜີ້ (DSO: ວັນໝູນວຽນລູກໜີ້ການຄ້າ): ຕົວຊີ້ວັດສຳຄັນ ຫຼື ແກນຫຼັກ ທີ່ສະແດງເຖິງຄວາມໄວໃນການເກັບໜີ້.
• ອັດຕາສ່ວນໜີ້ຄ້າງຊຳລະ: ສັດສ່ວນຂອງໜີ້ສິນທີ່ຄ້າງຊຳລະ.
• ອັດຕາການເກັບໜີ້ຕໍ່ການທວງຖາມ: ໄລຍະໃດ ຫຼື ຮູບແບບຂໍ້ຄວາມໃດທີ່ນຳໄປສູ່ການເກັບໜີ້ໄດ້ສຳເລັດ.
• ຈຳນວນຄັ້ງທີ່ພະນັກງານຕ້ອງເຂົ້າໄປຈັດການ: ການເຮັດວຽກດ້ວຍຕົນເອງ (Manual) ຫຼຸດລົງຫຼາຍປານໃດຈາກການເຮັດວຽກແບບອັດຕະໂນມັດ.

ໃຫ້ທົບທວນສິ່ງເຫຼົ່ານີ້ເປັນລາຍເດືອນ, ເພີ່ມຮູບແບບການແຈ້ງເຕືອນທີ່ນຳໄປສູ່ການເກັບໜີ້ໄດ້ສຳເລັດ ແລະ ທົບທວນຄືນການທວງຖາມທີ່ມີປະສິດທິພາບຕ່ຳ. ນອກຈາກນີ້, ໃຫ້ປັບນ້ຳໜັກຂອງການໃຫ້ຄະແນນ (Scoring) ໃຫ້ສອດຄ່ອງກັບຜົນງານຕົວຈິງ. ຍິ່ງໝູນວຽນຮອບວຽນການປັບປຸງຫຼາຍເທົ່າໃດ, ລະບົບອັດຕະໂນມັດກໍຈະຍິ່ງເໝາະສົມກັບສະພາບຄວາມເປັນຈິງຂອງໜ້າວຽກຫຼາຍຂຶ້ນເທົ່ານັ້ນ.

ຄວາມລົ້ມເຫຼວຂອງການເຮັດອັດຕະໂນມັດໃນການຕິດຕາມວຽກງານ (督促自動化) ບໍ່ໄດ້ຢູ່ທີ່ເຕັກໂນໂລຊີ ແຕ່ສຸມໃສ່ທີ່ "ຄຸນນະພາບຂອງຂໍ້ມູນ" ແລະ "ການເຮັດເກີນຄວາມຈຳເປັນ". ຕໍ່ໄປນີ້ແມ່ນ 2 ຄວາມລົ້ມເຫຼວທີ່ພົບເຫັນເລື້ອຍໆ ແລະ ວິທີການຫຼີກລ່ຽງ.

ຄວາມຜິດພາດທີ່ພົບຫຼາຍທີ່ສຸດຄື ກໍລະນີທີ່ການໃຫ້ຄະແນນ (Scoring) ບໍ່ຖືກຕ້ອງເນື່ອງຈາກຄຸນນະພາບຂອງຂໍ້ມູນນຳເຂົ້າບໍ່ພຽງພໍ. ຖ້າມີບັນຫາເຊັ່ນ: ການຂຽນຊື່ຄູ່ຄ້າທີ່ແຕກຕ່າງກັນ, ການບັນທຶກວັນທີຮັບເງິນຕົກຫຼົ່ນ, ຫຼື ການບັນທຶກຊ້ຳຊ້ອນໃນບັນຊີ, ການຈັດປະເພດຄວາມສ່ຽງກໍຈະບໍ່ກົງກັບຄວາມເປັນຈິງ.

ຈຸດທີ່ຄວນຫຼີກລ່ຽງມີດັ່ງນີ້:

• ກ່ອນເລີ່ມຕົ້ນ, ໃຫ້ກວດສອບເງື່ອນໄຂຂັ້ນຕ່ຳວ່າ "ສາມາດນຳວັນທີຄົບກຳນົດຊຳລະເງິນ ແລະ ວັນທີຮັບເງິນມາປຽບທຽບກັນໄດ້ຫຼືບໍ່".
• ຢ່າລໍຖ້າໃຫ້ຂໍ້ມູນສົມບູນແບບ, ໃຫ້ເລີ່ມຕົ້ນຈາກຈຸດນ້ອຍໆດ້ວຍຄູ່ຄ້າບາງລາຍ ຫຼື ຕົວຊີ້ວັດບາງຢ່າງກ່ອນ, ແລ້ວຈຶ່ງຂະຫຍາຍອອກໄປຕາມຄວາມຖືກຕ້ອງທີ່ເຫັນໄດ້.
• ຢ່າປ່ອຍປະລະເລີຍລາຍການທີ່ຖືກສົ່ງໄປຍັງ "ຕ້ອງການການກວດສອບ", ແຕ່ໃຫ້ແກ້ໄຂສາເຫດ (ການຂຽນທີ່ແຕກຕ່າງກັນ, ຄວາມຊັກຊ້າໃນການເຊື່ອມຕໍ່ຂໍ້ມູນ) ໄປເທື່ອລະຢ່າງ.

ການໃຫ້ຄະແນນບໍ່ສາມາດດີໄປກວ່າຄຸນນະພາບຂອງຂໍ້ມູນນຳເຂົ້າໄດ້. ກ່ອນທີ່ຈະພັດທະນາຕົວແບບ (Model) ໃຫ້ສູງຂຶ້ນ, ການປັບປຸງຂໍ້ມູນໃຫ້ຖືກຕ້ອງຈະມີປະສິດທິຜົນຫຼາຍກວ່າ.

ອີກກໍລະນີໜຶ່ງທີ່ພົບເຫັນໄດ້ທົ່ວໄປ ຄືການເຮັດໃຫ້ເປັນອັດຕະໂນມັດຫຼາຍເກີນໄປຈົນສົ່ງຜົນເສຍຕໍ່ຄວາມສຳພັນກັບຄູ່ຄ້າ. ການທວງຖາມແບບກົນຈັກອາດເຮັດໃຫ້ອີກຝ່າຍຮູ້ສຶກວ່າ "ຖືກທວງຖາມແບບແຂງກະດ້າງ" ເຊິ່ງອາດເຮັດໃຫ້ຄວາມສຳພັນທາງທຸລະກິດທີ່ມີມາຢ່າງຍາວນານເຢັນຊາລົງໄດ້.

• ສຳລັບຄູ່ຄ້າທີ່ສຳຄັນ ຫຼື ໜີ້ສິນທີ່ມີມູນຄ່າສູງ ຄວນຍຶດຖືການຕິດຕໍ່ໂດຍພະນັກງານຮັບຜິດຊອບເປັນຫຼັກ ແທນການໃຊ້ລະບົບແຈ້ງເຕືອນອັດຕະໂນມັດ.
• ປ້ອງກັນ "ການທວງຖາມທີ່ຜິດພາດ" ເຊັ່ນ: ການສົ່ງແຈ້ງເຕືອນໄປຫາຜູ້ທີ່ຊຳລະເງິນແລ້ວ ໂດຍການກວດສອບການຊຳລະເງິນຢ່າງລະອຽດ.
• ຄວບຄຸມລະດັບນ້ຳສຽງຂອງເນື້ອຫາໃນເອກະສານ ແລະ ຫຼີກລ່ຽງການໃຊ້ຖ້ອຍຄຳທີ່ຮຸນແຮງໃນໄລຍະເລີ່ມຕົ້ນ.

ຈຸດປະສົງຂອງການເກັບໜີ້ ບໍ່ພຽງແຕ່ແມ່ນ "ການເກັບເງິນຄືນ" ເທົ່ານັ້ນ ແຕ່ຍັງລວມເຖິງ "ການຮັກສາຄວາມສຳພັນເພື່ອໃຫ້ສາມາດດຳເນີນທຸລະກິດຮ່ວມກັນຕໍ່ໄປໄດ້". ການກຳນົດຂອບເຂດວ່າສິ່ງໃດຄວນເຮັດເປັນອັດຕະໂນມັດ ແລະ ສິ່ງໃດທີ່ມະນຸດຄວນເປັນຜູ້ຮັບຜິດຊອບ (HITL ທີ່ກ່າວມາຂ້າງຕົ້ນ) ແມ່ນມີຄວາມສຳຄັນຫຼາຍໃນກໍລະນີນີ້.

ໄດ້ຮວບຮວມຂໍ້ສົງໄສທີ່ມັກພົບໃນຂັ້ນຕອນການພິຈາລະນານຳໃຊ້. ຈະຕອບກ່ຽວກັບເລື່ອງຄ່າໃຊ້ຈ່າຍ ແລະ ຄວາມເປັນໄປໄດ້ໃນການນຳໃຊ້ທີ່ສູນປະຕິບັດງານໃນອາຊີຕາເວັນອອກສຽງໃຕ້.

ສາມາດນຳມາໃຊ້ງານໄດ້. ໃນຄວາມເປັນຈິງແລ້ວ, ຍິ່ງເປັນວິສາຫະກິດຂະໜາດກາງ ແລະ ຂະໜາດນ້ອຍທີ່ມີພະນັກງານຮັບຜິດຊອບໜ້ອຍ ແລະ ມັກເກີດບັນຫາການເພິ່ງພາອາໄສບຸກຄົນໃດໜຶ່ງ (属人化), ຜົນກະທົບໃນການຫຼຸດຜ່ອນການຕົກຫຼົ່ນຂອງການທວງຖາມໜີ້ສິນກໍຍິ່ງເຫັນຜົນໄດ້ຊັດເຈນ.

ຄ່າໃຊ້ຈ່າຍມີຄວາມແຕກຕ່າງກັນຫຼາຍຂຶ້ນຢູ່ກັບໂຄງສ້າງ. ຄວນພິຈາລະນາໂດຍແບ່ງອອກເປັນ 3 ໄລຍະໃຫຍ່ໆ ດັ່ງນີ້:

• ການນຳໃຊ້ເຄື່ອງມືທີ່ມີຢູ່ແລ້ວ: ນຳໃຊ້ຟັງຊັນການທວງຖາມ ແລະ ການແຈ້ງເຕືອນຂອງຊອບແວບັນຊີທີ່ກຳລັງໃຊ້ງານຢູ່ໃຫ້ຄົບຖ້ວນ. ສາມາດເລີ່ມຕົ້ນໄດ້ໂດຍການຄວບຄຸມຄ່າໃຊ້ຈ່າຍເພີ່ມເຕີມໃຫ້ໜ້ອຍທີ່ສຸດ.
• ເຄື່ອງມືອັດຕະໂນມັດທາງທຸລະກິດແບບ No-code: ສ້າງຂະບວນການ (Pipeline) ມາດຕະຖານສຳລັບການແຈ້ງເຕືອນທາງອີເມວ ແລະ ການກວດສອບການຮັບເງິນ. ສາມາດເລີ່ມຕົ້ນຈາກຂະໜາດນ້ອຍ ແລະ ຄ່ອຍໆຂະຫຍາຍອອກໄປໄດ້.
• ລະບົບຈັດການໜີ້ສິນໂດຍສະເພາະ: ລວມເຖິງການໃຫ້ຄະແນນ (Scoring) ແລະ ການເຊື່ອມຕໍ່ກັບ ERP. ເຖິງແມ່ນວ່າຄ່າໃຊ້ຈ່າຍໃນການເລີ່ມຕົ້ນ ແລະ ຄ່າບໍລິການລາຍເດືອນຈະສູງຂຶ້ນ, ແຕ່ຍິ່ງມີຈຳນວນການເຮັດທຸລະກຳຫຼາຍເທົ່າໃດ ກໍຍິ່ງເຫັນຜົນໄດ້ຮັບທີ່ຄຸ້ມຄ່າຫຼາຍຂຶ້ນເທົ່ານັ້ນ.

ຕົວເລກຈຳນວນເງິນທີ່ແນ່ນອນຈະຂຶ້ນຢູ່ກັບຜະລິດຕະພັນ, ຈຳນວນການເຮັດທຸລະກຳ ແລະ ຄວາມຊັບຊ້ອນໃນການເຊື່ອມຕໍ່. ວິທີທີ່ປອດໄພທີ່ສຸດຄືການເລີ່ມຕົ້ນຈາກການເຮັດ PoC ຂະໜາດນ້ອຍໂດຍ "ເຮັດໃຫ້ຮູບແບບການຄ້າງຊຳລະໜຶ່ງຮູບແບບເປັນແບບອັດຕະໂນມັດ" ເພື່ອກວດສອບປະສິດທິຜົນ ແລະ ພາລະໃນການດຳເນີນງານ, ຈາກນັ້ນຈຶ່ງຕັດສິນໃຈລົງທຶນຫຼັງຈາກໄດ້ເຫັນຈຳນວນຊົ່ວໂມງການເຮັດວຽກທີ່ປະຢັດໄດ້ ຫຼື ຈຳນວນເງິນທີ່ສາມາດເກັບຄືນມາໄດ້. ການຄ່ອຍໆຂະຫຍາຍຂອບເຂດໄປພ້ອມກັບການກວດສອບຜົນໄດ້ຮັບ ຈະມີໂອກາດຜິດພາດໜ້ອຍກວ່າການນຳໃຊ້ລະບົບທີ່ມີຟັງຊັນການເຮັດວຽກສູງໃນທັນທີ.

ເປັນໄປໄດ້ ແຕ່ຈຳເປັນຕ້ອງມີການປັບປ່ຽນໃຫ້ສອດຄ່ອງກັບສະພາບການໃນທ້ອງຖິ່ນ. ໂດຍສະເພາະຊ່ອງທາງການແຈ້ງເຕືອນ ແລະ ວິທີການຊຳລະເງິນທີ່ມີຄວາມແຕກຕ່າງກັນຫຼາຍໃນແຕ່ລະພາກພື້ນ. ໃນພາກພື້ນທີ່ແອັບພລິເຄຊັນສົ່ງຂໍ້ຄວາມເປັນຫຼັກຫຼາຍກວ່າອີເມວ, ຈຳເປັນຕ້ອງມີການປ່ຽນແປງການອອກແບບການແຈ້ງເຕືອນ ແລະ ວິທີການກວດສອບການຮັບເງິນກໍຈະປ່ຽນໄປຕາມລະດັບຄວາມນິຍົມຂອງການຊຳລະເງິນທາງອີເລັກໂທຣນິກ.

ການອັດຕະໂນມັດວຽກງານການໃຫ້ສິນເຊື່ອ ແລະ ການເກັບໜີ້ຂອງສາຂາບໍລິສັດຍີ່ປຸ່ນໃນຕ່າງປະເທດ ໄດ້ມີການອະທິບາຍໂດຍອີງໃສ່ສະພາບການໃນທ້ອງຖິ່ນໄວ້ໃນ ການຈັດການໜີ້ສິນການຄ້າ ແລະ ການທວງໜີ້ດ້ວຍ AI ອັດຕະໂນມັດໃນລາວ. ທັງນີ້, ເນື່ອງຈາກຂັ້ນຕອນທາງກົດໝາຍ ແລະ ການຈັດການຂໍ້ມູນສ່ວນບຸກຄົນມີລະບຽບການທີ່ແຕກຕ່າງກັນໃນແຕ່ລະປະເທດ, ການກວດສອບກົດລະບຽບຂອງປະເທດທີ່ຈະເຂົ້າໄປດຳເນີນທຸລະກິດຈຶ່ງເປັນເງື່ອນໄຂເບື້ອງຕົ້ນ (ອ້າງອີງ ການປຽບທຽບກົດລະບຽບ AI ແລະ ຂໍ້ມູນຂອງບັນດາປະເທດໃນ ASEAN ເພີ່ມເຕີມ).

ການອັດຕະໂນມັດໃນການທວງຖາມໜີ້ສິນ (Payment Demand) ແມ່ນກົນໄກທີ່ໃຊ້ AI ເພື່ອວິເຄາະບຸລິມະສິດໃນການເກັບກູ້ໜີ້, ປັບປຸງວິທີການ, ເວລາ ແລະ ເນື້ອໃນຂອງການແຈ້ງເຕືອນໃຫ້ເໝາະສົມ ເພື່ອຫຼຸດຜ່ອນແຮງງານໃນວຽກງານການເກັບກູ້. ສິ່ງທີ່ຕັດສິນຄວາມສຳເລັດບໍ່ແມ່ນຕົວແບບ AI ທີ່ໂດດເດັ່ນ, ແຕ່ແມ່ນການຈັດການຂໍ້ມູນ, ການອອກແບບການດຳເນີນງານ ແລະ ການກຳນົດເສັ້ນແບ່ງວ່າ "ຈະອັດຕະໂນມັດເຖິງຂັ້ນໃດ ແລະ ມະນຸດຈະຮັບຜິດຊອບໃນສ່ວນໃດ".

ຂັ້ນຕອນການດຳເນີນງານແມ່ນ: ການກວດສອບຂໍ້ມູນ ແລະ ການເຊື່ອມຕໍ່ລະບົບ → ການຈັດອັນດັບການເກັບກູ້ → ການອັດຕະໂນມັດໃນການແຈ້ງເຕືອນ, ການສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ (Escalation) ແລະ ການກວດສອບການຊຳລະເງິນ → ການເຊື່ອມຕໍ່ກັບຂະບວນການທາງກົດໝາຍ → ການປັບປຸງຢ່າງຕໍ່ເນື່ອງໂດຍໃຊ້ KPI. ມັນເປັນການປະຕິບັດທີ່ແທ້ຈິງທີ່ຈະບໍ່ເລີ່ມຕົ້ນດ້ວຍການນຳໃຊ້ເຕັມຮູບແບບຕັ້ງແຕ່ຕົ້ນ, ແຕ່ໃຫ້ເລີ່ມຈາກຮູບແບບການຄ້າງຊຳລະໜຶ່ງຢ່າງໃນຂະໜາດນ້ອຍ ແລະ ຂະຫຍາຍອອກໄປໃນຂະນະທີ່ວັດແທກຜົນໄດ້ຮັບ.

ບໍລິສັດຂອງພວກເຮົາໃຫ້ການສະໜັບສະໜູນດ້ານການອັດຕະໂນມັດໃນວຽກງານການຈັດການໜີ້ສິນ ເຊິ່ງລວມເຖິງການເຊື່ອມຕໍ່ກັບລະບົບບັນຊີ ແລະ ERP, ລວມທັງການອອກແບບຂະບວນການເກັບກູ້ໜີ້ທີ່ລວມເຖິງສາຂາຕ່າງປະເທດ. ຖ້າທ່ານຮູ້ສຶກວ່າມີບັນຫາກ່ຽວກັບການເພິ່ງພາອາໄສບຸກຄົນໃດໜຶ່ງໃນວຽກງານທວງຖາມໜີ້ ຫຼື ບັນຫາດ້ານຊົ່ວໂມງການເຮັດວຽກ, ພວກເຮົາຂໍແນະນຳໃຫ້ເລີ່ມຕົ້ນຈາກການກວດສອບຂໍ້ມູນ ແລະ ຂະບວນການ (Flow) ໃນປັດຈຸບັນ.

ທັງນີ້, ຂໍຢ້ຳອີກຄັ້ງວ່າ ບົດຄວາມນີ້ມີຈຸດປະສົງເພື່ອໃຫ້ຂໍ້ມູນເທົ່ານັ້ນ, ສຳລັບການດຳເນີນການທາງກົດໝາຍທີ່ລະອຽດນັ້ນ ຄວນປຶກສາຫາລືກັບຜູ້ຊ່ຽວຊານເຊັ່ນ: ທະນາຍຄວາມ.