Zalando Payments: mejorar la experiencia del cliente con una resolución más rápida de las compras en más de 20 opciones de pago diferentes.
Explore el recorrido de Zalando Payments con SAP
El proveedor de servicios de pago Zalando Payments GmbH mitigó el riesgo de usar herramientas externas para calcular las asignaciones de pago de sus proveedores de servicios desarrollando una solución en SAP Business Technology Platform. Modelar, ejecutar y compartir automáticamente el pronóstico usando machine learning permite a Zalando ofrecer pronósticos más precisos y oportunos.
| Industria | Región | Tamaño de la empresa |
| Banca | Berlín, Alemania | 250 colaboradores |
de los procesos automatizados usando soluciones de SAP.
más velocidad y eficiencia en la gestión de pronósticos.
de compliance con las regulaciones de servicios financieros requeridas.
Lead SAP BI and Analytics, Zalando Payments GmbH
Automatizar pronósticos de asignación de pagos altamente precisos
Zalando Payments GmbH es el proveedor de servicios de pago de la tienda on-line Zalando SE, desempeñando un papel crucial en cómo los clientes perciben su experiencia de compra en Zalando. Ofreciendo comodidad y flexibilidad en el proceso de pago de Zalando, la empresa procesa pagos para más de 250 millones de pedidos al año para más de 50 millones de clientes activos.
Al recibir pagos entrantes de clientes de todo el mundo, Zalando Payments debe garantizar compliance de las normativas nacionales e internacionales. Siendo proveedor alemán de servicios financieros, la empresa está autorizada a realizar transacciones de dinero electrónico y regulada por la Autoridad Federal de Supervisión Financiera de Alemania (conocida como BaFin), el Deutsche Bundesbank y las instituciones de la Unión Europea.
El proceso de pronósticos de la empresa comenzó en SAP S/4HANA, con datos exportados a herramientas externas para calcular asignaciones de pagos. Esto presentaba varios riesgos, incluyendo la posibilidad de interrupciones en los medios al transferir datos, datos desconectados de la información de datos maestros del banco y el estar fuera de regla. El uso de herramientas externas también limitó la capacidad de la empresa de cambiar los cálculos de pronóstico.
Buscando mejorar la calidad de su modelo de pronóstico para asignaciones de pagos, Zalando Payments quería aumentar la flexibilidad y adaptabilidad del modelo frente a varios factores. Estos incluían fluctuaciones imprevistas debido a ofertas especiales, entrada a nuevos mercados, nuevos métodos de pago y variaciones en la combinación de clientes nuevos y antiguos. También quería apoyar a sus proveedores de servicios para reforzar la asignación de recursos de personal y así cumplir con las obligaciones contractuales de mantener cero acumulación diaria de trabajo pendiente.
Lead SAP BI and Analytics, Zalando Payments GmbH
Reducir costos generales mediante un mejor pronóstico de asignación de pagos
Para obtener un pronóstico de asignación de pagos más preciso y robusto, que ofreciera la flexibilidad necesaria para dar soporte al crecimiento de la empresa, la entrada a nuevos mercados y diferentes métodos de pago, la empresa quería que la solución residiera completamente dentro de su entorno de software de SAP. Aprovechando la oportunidad de mejorar los pronósticos mediante un uso más eficaz de los recursos tecnológicos, Zalando Payments se puso a construir un modelo de pronóstico innovador en SAP Business Technology Platform (SAP BTP). La empresa implementó una arquitectura de data fabric de negocios habilitada por la solución SAP Datasphere, lo cual le permitió aplicar una gobernanza de datos sólida y acceder a datos en tiempo real. Además, se usó la solución SAP Data Intelligence para crear scripts en Python, SAP HANA Cloud por sus capacidades de machine learning y la solución SAP Analytics Cloud para una planificación más precisa.
Tal como se muestra en la figura a continuación, en el nuevo proceso de pronóstico para la asignación de pagos, los datos de SAP S/4HANA y la solución SAP BW/4HANA se federan en SAP Datasphere en SAP BTP. El cliente de machine learning de Python para SAP HANA se usa para determinar el pronóstico, el cual se modela automáticamente en SAP Data Intelligence de manera semanal. El resultado se escribe de nuevo en SAP Datasphere, donde se brindan informes a los proveedores de servicios a través de SAP Analytics Cloud.
Lead SAP BI and Analytics, Zalando Payments GmbH
Lograr un objetivo de cero acumulación diaria de pagos no resueltos y pendientes
Gracias al nuevo modelo de pronóstico de asignación de pagos, Zalando Payments ahora tiene un mayor alcance para mejorar la precisión de los pronósticos y reducir el riesgo, ayudando a disminuir los costos generales mientras cumple con las regulaciones para empresas de servicios financieros. También ha ayudado a mejorar las relaciones con los proveedores de servicios, ya que ahora pueden asignar recursos de manera más precisa para lograr cero acumulación diaria en los pagos pendientes.
Además, al trabajar en estrecha colaboración con SAP y gestionar todo el proyecto internamente, el conocimiento adquirido durante el proyecto se ha conservado dentro de la organización. Una comprensión más profunda de las tecnologías ha generado una mayor confianza dentro de la organización para adoptar herramientas de machine learning e inteligencia artificial integradas en las soluciones de SAP.
Desde la implementación de los nuevos pronósticos de asignación de pagos, más de 50 millones de clientes de Zalando y sus bancos se han beneficiado de una resolución más rápida de las compras en más de 20 opciones de pago diferentes.
El uso continuo de las capacidades de machine learning en las bibliotecas de machine learning brindadas por SAP puede ayudar a mejorar continuamente la precisión de los pronósticos, así como abrir un camino para aprovechar SAP AI Services en el futuro.
Lead Customer Experience, Zalando Payments GmbH
Inspirar nuevas aplicaciones que van mucho más allá del machine learning
Dado que Zalando Payments continúa su trabajo en nuevas soluciones usando machine learning e inteligencia artificial, un enfoque clave es diseñar una herramienta de evaluación de riesgos usando técnicas de simulación de Monte Carlo. El objetivo es realizar suficientes simulaciones para producir diferentes resultados que imiten los resultados de la vida real.
En otros lugares, la empresa está desarrollando una solución para calcular el riesgo crediticio de sus socios distribuidores y creando casos de uso para usar inteligencia artificial en la gestión de datos.
Robby Finke, SAP business intelligence and analytics lead en Zalando Payments GmbH, lo resume diciendo: “Un mayor conocimiento directo de cómo enriquecer los procesos esenciales del equipo con soluciones de SAP está generando nuevas ideas y propuestas para fortalecer el negocio”.