English
Bankowość detaliczna napędzana sztuczną inteligencją – udoskonalenie procesu klasyfikacji transakcji
O kliencie
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:
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:
-
-
-
-
-
-
-
-
-
-
Niektóre z atrybutów transakcji analizowanych przez ATC obejmują:
-
-
-
-
-
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.
Michał Walerowski
Business Unit Director AI/ML & Data Solutions
Porozmawiajmy o wyzwaniach związanych z danymi