English
Polski
KI im Privatkundengeschäft - Verbesserung der Transaktionsklassifizierung
Über den Kunden
Personal Finance Management (PFM)-Software lässt sich nahtlos in Bankensysteme integrieren und hilft den Nutzern, ihre Gelder effizient zu verwalten.
Unser Kunde, eine Genossenschaftsbank aus Polen, bot eine Art PFM-Service für Privatkunden als Teil der mobilen Banking-App an. Allerdings war PFM für die Bedürfnisse der Kunden nicht ausreichend:
- Die regelbasierte Logik klassifizierte 3-5 von 10 Kundentransaktionen erfolglos
- Die den Endkunden präsentierten Ausgabedaten bedurften ihrer Interpretation und waren nicht selbstverständlich.
Die Genossenschaftsbank beauftragte Ailleron, das PFM-Erlebnis zu verbessern und den Kunden zu ermöglichen, ihr Finanzleben besser zu verstehen und effektiv zu verwalten.
Unsere Experten entwickelten und implementierten den KI-gestützten Ailleron Transaction Classifier (ATC).
Die Lösung nutzt Machine Learning (ML) Modelle, um die Kunden der Bank bei der Budgetverwaltung zu unterstützen.
Ailleron Transaction Classifier analysiert alle Kundentransaktionen:
Banküberweisungen
Kartenzahlungen, einschließlich Abonnements
marktspezifische Zahlungsarten, wie BLIK in Polen
Danach ordnet es die Transaktionen den entsprechenden Kategorien zu. Privatkunden werden mit versorgt:
die Struktur ihrer Ausgaben im Laufe der Zeit
aktive Hinweise, Warnungen oder Benachrichtigungen zur Beherrschung ihrer Haushaltsführung
Die Zusammenarbeit
Der Hauptgedanke des Projekts war die Verbesserung der Klassifizierung der Transaktionen von Privatkunden einer Bank.
Business-Workshops mit dem Team der Bank
die relevanten Transaktionskategorien zu wählen
Ailleron Team entwickelte die KI-gestützte Lösung
die Attribute von Kundentransaktionen mit vordefinierten Kategorien abzugleichen
Festlegung des Umfangs des Trainings von Machine Learning-Modellen
und beginnen Sie damit, die anonymisierten Daten nach den gewünschten Kategorien zu kennzeichnen
Vorbereitung des UX/UI-Designs
die neuen Funktionen der persönlichen Finanzverwaltung (PFM) in die bestehenden mobilen Anwendungen der Banken zu integrieren
Lösung:
Unser Ziel war es, das Engagement der Nutzer der Mobile-Banking-App zu erhöhen, indem wir die Transaktionsdaten der Kunden übersichtlich darstellen. Das Projekt wird der Genossenschaftsbank kurzfristig erhebliche geschäftliche Vorteile bringen, darunter:
- erhöhte das Engagement für die mobile Anwendung durch einen Anstieg der Anmeldungen und verstärkte In-App-Aktivitäten nach der Einführung neuer Funktionen,
- die Loyalität und das Vertrauen der Kunden zu stärken, indem ihre Bedürfnisse in den Vordergrund gestellt werden.
Aus geschäftlicher Sicht sind strukturierte Daten über die Ausgaben von Kunden nützlich für:
- erweiterte analytische Zwecke - bessere Kundensegmentierung und Produktempfehlungen
- Anreicherung von Kundendaten
- Erstellung von ereignisgesteuerten Benachrichtigungen für Kunden auf der Grundlage der Historie ihrer Transaktionen
Die Einführung von ATC ermöglicht auch eine Erweiterung der Kundensegmentierung.
Das Verständnis von Ähnlichkeiten im Ausgabeverhalten ermöglicht die genaue Identifizierung von Gruppen ähnlicher Kunden.
Liste der von der Bank im Rahmen des Projekts Ailleron Transaction Classifier zu erbringenden Leistungen
- ML-Modell als Microservice wurde für die Implementierung in die Infrastruktur der Bank vorbereitet
- Integrationen mit
- die in den Banksystemen gespeicherten Transaktionen der Kunden
- Mobile-Banking-App
- Ereignisgesteuerte Architektur für die Bereitstellung von Echtzeit-Kategorisierungen
- Daten-Streaming-Plattform auf der Basis von Apache Kafka zum Sammeln von Kundentransaktionen und zur Übermittlung an Transaktionsklassifizierer
- Keine-SQL-Datenbank -MongoB
- Tools für die Überwachung, Verfolgung, Sicherheit und Protokollverwaltung:
Graphana, Proetheus, ISTIO, Zipkin, Flunent ID usw. - UX/UI, um die neuen Personal Finance Management (PFM)-Funktionen in die bestehende mobile Anwendung der Banken zu integrieren.
Wie funktioniert das?
Ailleron Transaction Classfier ordnet die Kundentransaktionen einer der definierten Gruppen zu:
-
-
-
-
-
-
-
-
-
-
Einige der von ATC analysierten Transaktionsattribute sind:
-
-
-
-
-
Wichtigste Ergebnisse des Projekts - erstklassige Genauigkeit
ATC teilt die Kundentransaktionen in 13 Gruppen ein
- 11 Gruppen für Ausgaben
- 2 Gruppen von eingehenden Transaktionen
Die Genauigkeit des ML-Modells für die ATC ist
- 92%was bedeutet, dass 92% der Kundentransaktionen ordnungsgemäß qualifiziert sind (für Transaktionen mit oder ohne MCC)
- 98% für den Wert der korrekt qualifizierten Kundentransaktionen, was bedeutet, dass bei Transaktionen mit niedrigen Beträgen kleinere Fehler auftreten können.
Herausforderungen im Bereich Daten und Datenanalyse sind unsere Leidenschaft! Lassen Sie uns darüber sprechen, wie wir Ihr Unternehmen dabei unterstützen können, aus Daten echten Mehrwert zu generieren.
Michał Walerowski
Geschäftsbereichsleiter AI/ML & Datenlösungen
Lassen Sie uns über Ihre Herausforderungen mit Daten sprechen