Glovo tiene que lidiar cada día con clientes que suponen un gran riesgo para las cuentas de la compañía.
Clientes que cuando les llega su pedido se niegan a pagar, o que simplemente han introducido mal su dirección y ha sido imposible para el repartidor realizar la entrega.
Por cada uno de estos pedidos que no se llegan a entregar Glovo pierde el margen que ha ganado en los 9 pedidos anteriores que se han completado con éxito.
Basta con pensar en un hipotético pedido de 20 euros pagados por un usuario. De esa cantidad la mayor parte iría a parar al restaurante (unos 13 euros), en segundo lugar al repartidor (alrededor de 5 euros) y, por último, para la propia Glovo (aproximadamente 2 euros).
Si hay algún tipo de problema en la entrega por culpa del cliente Glovo tiene que seguir pagando los 18 euros que corresponden al restaurante y al rider, mientras que perdería por completo su parte (2 euros en este caso).
Esta problemática, en un modelo de negocio con unos márgenes ajustadísimos como es el sector del delivery, supone un auténtico quebradero de cabeza para la empresa.
Condenados a aceptar pagos en efectivo
El principal problema para Glovo se concentra en el pago de los pedidos en efectivo. Es decir, cuando el usuario paga tras haber llegado el pedido y no al contrario, como sucede cuando se elige pagar con una tarjeta de crédito o con una plataforma como PayPal.
¿Cuál es el problema?
Si un cliente paga con tarjeta y finalmente no abona el importe de su pedido la compañía le cobra un gasto por anulación. Sin embargo, si paga en efectivo, Glovo no tiene manera alguna de cobrar a ese usuario ninguna tasa.
Por eso, para la compañía es fundamental anticiparse a este tipo de usuarios. Y la inteligencia artificial juega un papel fundamental en este proceso.
Glovo amplía sus tentáculos tras firmar con Fnac y C&A, un ejemplo más de que la guerra del 'delivery' va mucho más allá de la comida a domicilio
La compañía cuenta con un equipo dedicado específicamente a la lucha contra el fraude y los problemas con los pagos en su plataforma, que ya ha integrado sistemas de inteligencia artificial para prevenir posibles escenarios de impagos en sus pedidos.
Así lo explica Daniel Cañueto, científico de datos y experto en machine learning, que actualmente trabaja en Glovo, en un blog de la empresa. En el post, Cañueto desgrana la estrategia de la startup catalana para identificar el nivel de riesgo de impago que existe en cada pedido y usuario.
El experto señala que el pago en efectivo es un método con muchísimo mayor riesgo de impago que el pago con tarjeta, pero que la empresa no puede abandonar ese modelo, porque todavía hoy se utiliza en más del 30% de los pedidos, y hasta en un 70% en algunos de los países donde opera Glovo.
Además, subraya Cañueto, casi el 60% de los nuevos usuarios que se registran en la plataforma pagan su primer pedido en metálico. Esto, añade, es clave en la estrategia de expansión de la compañía en muchos países.
Algoritmos para detectar a los estafadores
El sistema de machine learning en tiempo real que Cañueto ha desarrollado junto al equipo de Pagos y Fraude, y el equipo de Plataforma del unicornio español, es capaz de predecir y bloquear potenciales clientes defraudadores y pedidos con un alto riesgo de no ser abonados.
Cañueto y su equipo, gracias también a todo el trabajo previo del departamento de fraude en la recopilación de datos, han desarrollado un sistema capaz de identificar con gran precisión a los usuarios defraudadores más importantes.
Gracias a esa identificación, basada en el historial de su actividad recogida por los algoritmos de la plataforma, fueron capaces de impedir que siguieran creando cuentas y cometiendo irregularidades.
“Ya no somos independientes”: el fundador de Glovo asegura que “hace mucho” ha perdido el control de la compañía
Pero el sistema no es solo capaz de anular a estos grandes estafadores, sino también pedidos que el sistema detecta como con un alto riesgo de no ser pagado.
Primero, explica Cañueto, la enorme base de datos de millones de pedidos con la que contaba fue clave, e hizo que desarrollar el sistema fuera mucho más sencillo.
Segundo, este sistema basándose en esa base de datos, recoge las siguientes características tanto de usuarios, como de pedidos y restaurantes, y crea una serie de prototipos y etiquetas para su clasificación:
Con esa información, el sistema establece una puntuación de 0 a 100 con el nivel de riesgo de impago que supone cada usuario y pedido. En cada país, esta puntuación y los parámetros que recoge son diferentes.
Además, su modelo de machine learning es capaz de ir aprendiendo automáticamente basándose en los pedidos que monitoriza a diario. Aunque, como subraya Cañueto, se deben seguir supervisando una y otra vez y dedicar tiempo a su mantenimiento.
Gracias a este sistema, Glovo ha sido capaz de reducir hasta en un 40% los pedidos impagados en su plataforma.