O kliencie

ailleron transaction classifier 2

Oprogramowanie do zarządzania finansami osobistymi (ang. personal financial management, PFM) z łatwością integruje się z systemami bankowymi, wspierając użytkowników w efektywnym zarządzaniu ich środkami.

 

Nasz klient, bank spółdzielczy z Polski, udostępniał formę obsługi PFM dla klientów indywidualnych w ramach aplikacji bankowości mobilnej. Rozwiązanie nie odpowiadało jednak na potrzeby klientów:

 

  • logika oparta na regułach biznesowych niepomyślnie sklasyfikowała 3-5 z 10 transakcji klientów,
  • dane wyjściowe prezentowane użytkownikom końcowym wymagały ich interpretacji i nie były klarowne.

 

Bank spółdzielczy zwrócił się do Ailleron w celu poprawy użyteczności oprogramowania PFM. Cel projektu to zapewnienie klientom zrozumienia oraz efektywne zarządzanie ich stanem finansów w aplikacji banku.

 

Nasi eksperci zaprojektowali i wdrożyli oparty na sztucznej inteligencji klasyfikator transakcji – Ailleron Transaction Classifier (ATC).
Rozwiązanie wykorzystuje modele Machine Learning (ML) do wspierania klientów banku w zarządzaniu ich finansami.

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

Współpraca

Głównym celem projektu było udoskonalenie klasyfikacji transakcji dokonywanych przez klientów indywidualnych.

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:

ailleron transaction classifier

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.

Jak to działa?

Ailleron Transaction Classfier przypisuje transakcje klientów do jednej ze zdefiniowanych grup:

  • samochód i transport
  • gotówka
  • rozrywka, hobby i podróże
  • edukacja
  • codzienne wydatki
  • zdrowie i uroda
  • odzież
  • oszczędności i inwestycje
  • dochód
  • 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:

mobile-connect

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.

Michał Walerowski

Business Unit Director AI/ML & Data Solutions

man wearing a shirt and jacket

Let’s talk about your challenges with data