O kliencie
Od lat z powodzeniem współpracujemy z naszym klientem, SGB-Bankiem, stale rozwijając aplikację SGB Mobile. Wyniki tego partnerstwa są regularnie doceniane przez jury konkursu Mobile Trend Awards, które przez lata przyznawało nam wiele nominacji – w tym w tym roku za rozwiązanie Ailleron do klasyfikacji transakcji.
Jedną z kluczowych funkcji dostępnych w SGB Mobile jest zarządzanie finansami osobistymi (PFM), pomagające użytkownikom śledzić i organizować swoje wydatki. Chociaż bank oferował już narzędzie PFM, nie spełniało ono w pełni oczekiwań klientów:
- Logika oparta na regułach błędnie klasyfikowała 3-5 na 10 transakcje.
- Prezentowane dane wymagały interpretacji i nie zawsze były intuicyjne dla użytkowników. Aby ulepszyć to doświadczenie, SGB-Bank współpracował z Ailleron w celu zwiększenia możliwości PFM i ułatwienia klientom zarządzania finansami.
Nasi eksperci zaprojektowali i wdrożyli klasyfikator transakcji Ailleron (ATC) – rozwiązanie oparte na sztucznej inteligencji. Wykorzystując modele uczenia maszynowego (ML) klienci banku mogą teraz efektywniej zarządzać swoim budżetem dzięki automatycznie kategoryzowanym transakcjom i lepszemu wglądowi w swoje finanse.
Ailleron Transaction Classifier analizuje wszystkie transakcje klientów:
przelewy bankowe
transakcje kartą, w tym płatności abonamentowe
specyficzne dla danego rynku rodzaje płatności, takie jak BLIK w Polsce
Następnie ATC przypisuje transakcje do odpowiednich kategorii. Klientom indywidualnym prezentujemy:
strukturę wydatków i jej zmiany w czasie
wskazówki, alerty lub powiadomienia, aby skuteczniej zarządzać budżetem
Głównym celem projektu było udoskonalenie klasyfikacji transakcji dokonywanych przez klientów indywidualnych.
Współpraca
warsztaty biznesowe z zespołem banku,
aby wybrać odpowiednie kategorie transakcji
zespół Ailleron zaprojektował rozwiązanie oparte na sztucznej inteligencji,
aby dopasować atrybuty transakcji klienta do predefiniowanych kategorii
ustalenie zakresu treningu modelu uczenia maszynowego
i oznaczanie anonimowych danych zgodnie z pożądanymi kategoriami
przygotowanie projektu UI/UX,
aby połączyć nowe funkcje zarządzania finansami osobistymi (PFM) z istniejącą aplikacją mobilną banku
Rozwiązanie:
Naszym celem było zwiększenie zaangażowania użytkowników aplikacji bankowości mobilnej poprzez wygodne prezentowanie danych transakcyjnych klientów. Projekt przyniesie bankowi spółdzielczemu szereg krótkoterminowych korzyści biznesowych, w tym:
- wzrost zaangażowania użytkowników aplikacji wraz ze wzrostem liczby logowań i zwiększoną aktywnością po wprowadzeniu nowych funkcji,
- wzmocnienie lojalności i zaufania klientów dzięki priorytetyzacji ich potrzeb.
Z biznesowego punktu widzenia ustrukturyzowane dane o wydatkach klientów są przydatne do:
- zaawansowanych celów analitycznych – lepszej segmentacji klientów i rekomendacji produktowych,
- wzbogacania danych klientów,
- budowy powiadomień dla klientów na podstawie historii ich transakcji.
Wdrożenie ATC pozwala również na lepszą segmentację klientów.
Dostrzeżenie podobieństw we wzorcach wydatków umożliwia trafną identyfikację grup klientów o podobnej charakterystyce.
Lista ukończonych zadań w ramach projektu Ailleron Transaction Classifier
- Model ML jako mikroserwis został przygotowany do wdrożenia wewnątrz infrastruktury banku
- Integracje z:
- transakcjami klientów pozyskiwanymi w systemach bankowych
- aplikacją bankowości mobilnej
- Architektura sterowana zdarzeniami do kategoryzacji w czasie rzeczywistym:
- Platforma do strumieniowego przesyłania danych oparta na Apache Kafka w celu zbierania transakcji klientów i dostarczania ich do klasyfikatora transakcji
- Baza danych bez SQL – MongoDB
- Narzędzia odpowiedzialne za monitorowanie, śledzenie, bezpieczeństwo i zarządzanie logami: Graphana, Proetheus, ISTIO, Zipkin, Flunent ID itp.
- UX/UI, aby połączyć nowe funkcje oprogramiwania do zarządzania finansami osobistymi (PFM) z istniejącą aplikacją mobilną banku.
Ailleron Transaction Classfier przypisuje transakcje klientów do jednej ze zdefiniowanych grup:
Jak to działa?
samochód i transport
cash
rozrywka, hobby i podróże
edukacja
codzienne wydatki
zdrowie i uroda
clothes
oszczędności i inwestycje
income
inne przelewy przychodzące
Niektóre z atrybutów transakcji analizowanych przez ATC obejmują:
kwotę wydatków
opis lub tytuł
odbiorcę
walutę
kod kategorii sprzedawcy (ang. Merchant Category Code, MCC)
Kluczowe rezultaty projektu – najwyższa dokładność:
ATC dzieli transakcje klientów na 13 grup:
- 11 grup wydatków,
- 2 grupy transakcji przychodzących.
Dokładność modelu ML zasilającego ATC wynosi:
- 92%, co oznacza, że 92% transakcji klientów jest odpowiednio zakwalifikowanych (dla transakcji z MCC lub bez),
- 98% wartości prawidłowo zakwalifikowanych transakcji klientów, co oznacza, że w przypadku transakcji o niskich kwotach mogą wystąpić drobne błędy.
Uwielbiamy wyzwania związane z danymi! Porozmawiajmy o tym, jak możemy pomóc przekształcić dane w najwyższą wartość dla Twojej organizacji.
Dawid Klempka
General Manager Financial Services Tribe