Analitički modul
i Big Data

Modul omogućava strimovanje podataka u realnom vremenu iz različitih izvora na jednom centralizovanom mestu, koristeći širok rang modela mašinskog učenja, kako bi pomogli kompanijama da kreiraju i neguju data-driven kulturu.
PREUZMITE WHITEPAPER

Request a white paper

Da li znate da 84% kompanija smatra da im veštačka inteligencija omogućava ostvarivanje konkurentske prednosti?

Kompanija koja uspe da reaguje na potrebe klijenata u realnom vremenu i ponudi prave proizvode / usluge na željenom kanalu postaće klijentov prvi izbor i lider na tržištu.

Sa druge strane oni koji ne uspeju da prihvate veštačku inteligenciju (AI) i koristi od korišćenja podataka, rizikuju da zaostanu iza onih koji to čine. Posmatranjem i osluškivanjem potreba klijenata, kompanije mogu maksimizirati stopu zadržavanja, privući nove klijente i ubrzati se u digitalnu budućnost.

Image module

Da li znate da 84% kompanija smatra da im veštačka inteligencija omogućava ostvarivanje konkurentske prednosti?

Kompanija koja uspe da reaguje na potrebe klijenata u realnom vremenu i ponudi prave proizvode / usluge na željenom kanalu postaće klijentov prvi izbor i lider na tržištu.

Sa druge strane oni koji ne uspeju da prihvate veštačku inteligenciju (AI) i koristi od korišćenja podataka, rizikuju da zaostanu iza onih koji to čine. Posmatranjem i osluškivanjem potreba klijenata, kompanije mogu maksimizirati stopu zadržavanja, privući nove klijente i ubrzati se u digitalnu budućnost.

Image module

Tok procesa

PRIKUPLJANJE
I PROCESUIRANJE
PODATAKA

Image module

Korišćenje velike količine prikupljenih podataka
za dobijanje značajnih uvida u klijentove potrebe.

RAZVOJ
MODELA
MAŠINSKOG UČENJA

Image module

Koristeći AI predviđanje i ML algoritme
sa visokim performansama za pronalaženje
korelacija između ključnih faktora
i obrazaca u ponašanju klijenata.

POVEĆANJE
BAZE
KORISNIKA

Image module

Obezbediti kompanijama višestruke
koristi od pregleda svojih klijenata,
koji rezultira boljim razumevanjem klijenata,
poboljšanoj personalizaciji i korisničkom iskustvu,
minimiziranje rizika i smanjenje troškova.

Najbolja sledeća ponuda za korisnika

Model preporuke za sledeću najboju ponudu za proizvod ili uslugu, izračunava sklonost klijenta da obavi kupovinu ili sklonost korišćenju određenog proizvoda ili usluge koje kompanija pruža. Ovaj prediktivni model donosi odluke na osnovu prethodnih radnji i ponašanja klijenta prema kompaniji.

Image module

Najbolja sledeća ponuda za korisnika

Model preporuke za sledeću najboju ponudu za proizvod ili uslugu, izračunava sklonost klijenta da obavi kupovinu ili sklonost korišćenju određenog proizvoda ili usluge koje kompanija pruža. Ovaj prediktivni model donosi odluke na osnovu prethodnih radnji i ponašanja klijenta prema kompaniji.

Image module

Model signalizacije događaja

Analitika zasovana na signalizaciji je počela identifikacijom svih događaja koji su vezani za korinsike. Životni događaji, događaji vezani za posao, za način života i događaji vezani za proizvode i suluge kompanije, predstavljaju okidače za signalizaciju u realnom vremenu koji omogućavaju kompaniji da kreiraju persnoalizovani pristup, sprovedu precizno targetiranje i reaguju na vreme. Svaka aktivnost od strane korisnika se prati, kao što su transakcije, logovanje na aplikaciju, posete fizičkoj lokaciiji kompanije, posete sajtu, konverzacija sa chatbotom, ili aktivnosti vezane za proizvod ili uslugu.

BANKARSKA INDUSTRIJA
Ako banka definiše neki spcifičan događaj sa sledećim pravilima:

Image module

Kad god su ispunjeni ovi uslovi, kupcu koji ih je ispunio može se dodeliti odgovarajuća ponuda (na primer: gotovinski zajam).

 

Složeni modul za signalizaciju događaja sastoji se iz praćenja ogromnog broja događaja u realnom vremenu. Ovaj modul omogućava kompaniji da kreira ukupan skup događaja koji se signaliziraju kada se dogode. Zapsoleni kompanije mogu da podese set pravila u skladu sa potreama kompanije. Dobijeni rezultati pomoći će im da odluče kako da pristupe korisnicima. Dalje, dodatna vrednost oog rešenja su modeli mašinskog učenja. Model tendencije događaja uračuna tendenciju korisnika da izvrši definisane aktivnosti. Ovi modeli omogućavaju fleksibilnost kompanijama, a mnogo korisnici koji su skoro ispunili sve zahteve neće biti izostavljeni. Sa druge strane, model tendencije događaja može da predvidi koliko je sigurno da će korisnik ispuniti i izvršiti sve aktivnosti i događaje. Obeležavanje specifičnih događaja vezanih za korisnike i davanje pogodnih ponuda povećava engagement i zadovoljstvo korisnika.

INDUSTRIJA IGARA NA SREĆU
Ukoliko platforma za klađenje definiše specijalni događaj sa sledećim pravilima: 

Image module

Kad god su ispunjeni ovi uslovi može se dodeliti odgovarajući popust ili bonus korisniku koji je ispunio uslove.

Model signalizacije događaja

Analitika zasovana na signalizaciji je počela identifikacijom svih događaja koji su vezani za korinsike. Životni događaji, događaji vezani za posao, za način života i događaji vezani za proizvode i suluge kompanije, predstavljaju okidače za signalizaciju u realnom vremenu koji omogućavaju kompaniji da kreiraju persnoalizovani pristup, sprovedu precizno targetiranje i reaguju na vreme. Svaka aktivnost od strane korisnika se prati, kao što su transakcije, logovanje na aplikaciju, posete fizičkoj lokaciiji kompanije, posete sajtu, konverzacija sa chatbotom, ili aktivnosti vezane za proizvod ili uslugu.

BANKARSKA INDUSTRIJA
Ako banka definiše neki spcifičan događaj sa sledećim pravilima:

Image module

Kad god su ispunjeni ovi uslovi, kupcu koji ih je ispunio može se dodeliti odgovarajuća ponuda (na primer: gotovinski zajam).

 

Složeni modul za signalizaciju događaja sastoji se iz praćenja ogromnog broja događaja u realnom vremenu. Ovaj modul omogućava kompaniji da kreira ukupan skup događaja koji se signaliziraju kada se dogode. Zapsoleni kompanije mogu da podese set pravila u skladu sa potreama kompanije. Dobijeni rezultati pomoći će im da odluče kako da pristupe korisnicima. Dalje, dodatna vrednost oog rešenja su modeli mašinskog učenja. Model tendencije događaja uračuna tendenciju korisnika da izvrši definisane aktivnosti. Ovi modeli omogućavaju fleksibilnost kompanijama, a mnogo korisnici koji su skoro ispunili sve zahteve neće biti izostavljeni. Sa druge strane, model tendencije događaja može da predvidi koliko je sigurno da će korisnik ispuniti i izvršiti sve aktivnosti i događaje. Obeležavanje specifičnih događaja vezanih za korisnike i davanje pogodnih ponuda povećava engagement i zadovoljstvo korisnika.

INDUSTRIJA IGARA NA SREĆU
Ukoliko platforma za klađenje definiše specijalni događaj sa sledećim pravilima: 

Image module

Kad god su ispunjeni ovi uslovi može se dodeliti odgovarajući popust ili bonus korisniku koji je ispunio uslove.

Selectin uspeh

Image module

NBO model omogućava kompaniji
da prepozna klijente koji će kupiti
njihove proizvode i usluge,
sa 85% pouzdanosti.

Image module

Naš algoritam mašinskog učenja omogućava
bankama da pravilno kategorišu preko 95%
klijentovih transakcija i stvore nove,
prosperitetne mogućnosti.

Image module

Korišćenje mašinskog učenja
osnažuje kompanije da sa ogromnim
mogućnostima identifikuju potencijalne
premium klijente.

Image module

NBO model omogućava kompaniji
da prepozna klijente koji će kupiti
njihove proizvode i usluge,
sa 85% pouzdanosti.

Image module

Naš AI algoritam omogućava bankama
da pravilno kategorišu preko 95%
klijentovih transakcija i stvore nove,
prosperitetne mogućnosti.

Image module

Korišćenje mašinskog učenja
osnažuje kompanije da sa ogromnim
mogućnostima identifikuju potencijalne
premium klijente.

Od nestrukturiranih podataka do zadovoljnih korisnika

Selecta prikuplja podatke iz svih mogućih izvora, bilo da se radi o poseti sajtu kompanije, transakciji na eBankingu ili prijavljivanju na lični nalog u aplikaciji ili portalu, razgovoru sa operaterima iz Call centra, ćaskanje sa kompanijskim chatbotom ili jednostavnoj poseti prodavnici ili filijali.

Ovi podaci se obrađuju i predstavljaju ulazne podatke za modele mašinskog učenja. Svaki od ovih modela ima outpute koji kompaniji predstavljaju koristi – kako povećati prodaju, zadržati postojeće klijente i povećati zadovoljstvo klijenata. Model Next Best Offer pruža personalizovanu ponudu za vaše klijente, model segmentacije omogućava bolje profilisanje klijenta, dok Customer Lifetime value predviđa koliko će kompanija imati vrednost od svakog klijenta.

Od nestrukturiranih podataka do zadovoljnih korisnika

Selecta prikuplja podatke iz svih mogućih izvora, bilo da se radi o poseti sajtu kompanije, transakciji na eBankingu ili prijavljivanju na lični nalog u aplikaciji ili portalu, razgovoru sa operaterima iz Call centra, ćaskanje sa kompanijskim chatbotom ili jednostavnoj poseti prodavnici ili filijali.

Ovi podaci se obrađuju i predstavljaju ulazne podatke za modele mašinskog učenja. Svaki od ovih modela ima outpute koji kompaniji predstavljaju koristi – kako povećati prodaju, zadržati postojeće klijente i povećati zadovoljstvo klijenata. Model Next Best Offer pruža personalizovanu ponudu za vaše klijente, model segmentacije omogućava bolje profilisanje klijenta, dok Customer Lifetime value predviđa koliko će kompanija imati vrednost od svakog klijenta.

Layer
Layer
Layer
Layer
Layer
Layer

Modeli

SEGMENTACIJA KORISNIKA

Glavni cilj segmentacije korisnika je bolje razumevanje ponašanja korisnika, kao i praćenje kretanja korisnika između segmenata. Karakteristike segmenata koriste se za sugerisanje kompaniji kako pristupiti različitim profilima korisnika i migracije između segmenata omogućavaju praćenje zadovoljstva korisnika.

PREDIKCIJA ODLASKA KORISNIKA

Ovaj model će prepoznati korisnike koji nameravaju da prestanu da koriste određeni proizvod ili uslugu. Cilj ovog modela je rana identifikacija korisnika koji će verovatno prestati da koristi usluge ili proizvode kompanije, tako da kompanija može da reaguje i zadrži ih. Te informacije bi mogle biti dostupne putem 360 pregleda korisnika ili se mogu koristiti za slanje kampanja određenoj grupi korisnika. Cilj ovog modela predviđanja je poboljšati stopu zadržavanja. Kada je u pitanju upotreba ovog modela u bankarstvu, model prepoznaje korisnike koji imaju i do 9 puta veću mogućnost da zatvore tekući račun ili napuste primarni segment.

SISTEM RANOG UPOZORENJA

Ovaj model pomaže analitičarima kreditnih rizika da donose odluke zasnovane na više informacija. Kada je bankarstvo u pitanju, model sistema ranog upozoravanja predviđa status korporativnog ili malog poslovnog korisnika banke za narednih 6 meseci, na osnovu transakcija i drugih vrsta podataka o korisniku. To podrazumeva da se može prepoznati potencijalni ili postojeći problem u njihovom poslovanju, tako da ima minimalan uticaj na banku.

INTELIGENTNA KATEGORIZACIJA TRANSAKCIJA

Mašinsko učenje koristi se za kategorizaciju transakcija u bankarskom sektoru. Model omogućava kategorizaciju plaćanja korisnika (putem kartica i domaćih transakcija) koristeći model mašinskog učenja. Omogućava banci da prati promene u kategorijama potrošnje i pruža statistiku korisniku kroz različite kanale. Pored toga, kategorije se mogu koristiti za segmentaciju korisnika, razumevanje navika korisnika i personalizovani pristup u pogledu proizvoda i usluga koje im banka nudi.

VREDNOST KORISNIKA ZA KOMPANIJU

Ovaj model predviđa vrednost korisnika za kompaniju za jednogodišnji period. Modelira ponašanje korisnika kako bi predvideo koja će im biti buduća vrednost.

MODEL IDENTIFIKOVANJA PREMIUM KORISNIKA

Model identifikovanja premium korisnika omogućava kompaniji da pristupi korisnicima koji imaju najveću verovatnoću da postanu premium, odgovarajućim ponudama i prebaci ih na premium / VIP segment. Ovaj model izračunava tendenciju korisnika da postane premium na osnovu njegovog prethodnog ponašanja u interakciji sa kompanijom i upoređuje identifikovano ponašanje sa ponašanjem premium segmenta korisnika.

PAMETNO FINANSIJSKO PLANIRANJE

Pametno finansijsko planiranje sastoji se od:

»Modela tendencije trošenja koji prati promene
u ponašanju potrošnje korisnika. Omogućuje
prepoznavanje hobija i navika korisnika.

»Prognoze tendencije potrošnje koja
predviđa potrošnju korisnika u različitim
kategorijama ili podkategorijama.

»Peer poređenje predstavlja predviđanje
korisnikovih potreba kroz upoređivanje sa
njegovim peer-om
(na primer: kako uštedeti, preporuke za proizvod).

»Predviđanje prekomernog trošenja –
Predviđanje prekomernog trošenja
prepoznaje vremenske periode
u kojima korisnik troši najviše.

»Preporuke za štednju –
Identifikacija korisnikove sposobnosti za uštedu.

SIGNALIZACIJA DOGAĐAJA

Signalizacija događaja započinje identifikacijom svih događaja koji se odnose na korisnika. Uključuje životne događaje, radne događaje i događaje povezane sa proizvodima kompanije. Svi događaji predstavljaju okidače za signalizaciju koji kompaniji omogućavaju da kreira visoko personalizovani pristup, izvede precizno targetiranje i da reaguje na vreme.

Models

Glavni cilj segmentacije korisnika je bolje razumevanje ponašanja korisnika, kao i praćenje kretanja korisnika između segmenata. Karakteristike segmenata koriste se za sugerisanje kompaniji kako pristupiti različitim profilima korisnika i migracije između segmenata omogućavaju praćenje zadovoljstva korisnika.

Ovaj model će prepoznati korisnike koji nameravaju da prestanu da koriste određeni proizvod ili uslugu. Cilj ovog modela je rana identifikacija korisnika koji će verovatno prestati da koristi usluge ili proizvode kompanije, tako da kompanija može da reaguje i zadrži ih. Te informacije bi mogle biti dostupne putem 360 prtegleda korisnika ili se mogu koristiti za slanje kampanja određenoj grupi korisnika. Cilj ovog modela predviđanja je poboljšati stopu zadržavanja. Kada je u pitanju upotreba ovog modela u bankarstvu, model prepoznaje korisnike koji imaju i do 9 puta veću mogućnost da zatvore tekući račun ili napuste primarni segment.

Model sistema ranog upozoravanja (EWS) koji pomaže analitičarima kreditnih rizika da donose odluke zasnovane na više informacija. Kada je bankarstvo u pitanju, model sistema ranog upozoravanja predviđa status korporativnog ili malog poslovnog korisnika banke za narednih 6 meseci, na osnovu transakcija i drugih vrsta podataka o korisniku. To podrazumeva da se može prepoznati potencijalni ili postojeći problem u njihovom poslovanju, tako da ima minimalan uticaj na banku.

Mašinsko učenje koristi se za kategorizaciju transakcija u bankarskom sektoru. Model omogućava kategorizaciju plaćanja korisnika (putem kartica i domaćih transakcija) koristeći model mašinskog učenja. Omogućava banci da prati promene u kategorijama potrošnje i pruža statistiku korisniku kroz različite kanale. Pored toga, kategorije se mogu koristiti za segmentaciju korisnika, razumevanje navika korisnika i personalizovani pristup u pogledu proizvoda i usluga koje im banka nudi.

Ovaj model predviđa vrednost korisnika za kompaniju za jednogodišnji period. Modelira ponašanje korisnika kako bi predvideo koja će im biti buduća vrednost.

Model identifikovanja premium korisnika omogućava kompaniji da pristupi korisnicima koji imaju najveću verovatnoću da postanu premium, odgovarajućim ponudama i prebaci ih na premium / VIP segment. Ovaj model izračunava tendenciju korisnika da postane premium na osnovu njegovog prethodnog ponašanja u interakciji sa kompanijom i upoređuje identifikovano ponašanje sa ponašanjem premium segmenta korisnika.

Pametno finansijsko planiranje sastoji se od:

»Modela tendencije trošenja koji prati promene
u ponašanju potrošnje korisnika. Omogućuje
prepoznavanje hobija i navika korisnika.

»Prognoze tendencije potrošnje koja predviđa
potrošnju korisnika u različitim kategorijama
ili podkategorijama.

»Peer poređenje predstavlja predviđanje korisnikovih
potreba kroz upoređivanje sa njegovim peer-om
(na primer: kako uštedeti, preporuke za proizvod).

»Predviđanja prekomernog trošenja –
Predviđanje prekomernog trošenja prepoznaje
vremenske periode u kojima korisnik troše najviše.

»Preporuke za štednju – Identifikacija korisnikove
sposobnosti za uštedu.

Signalizacija događaja započinje identifikacijom svih događaja koji se odnose na korisnika. Uključuje životne događaje, radne događaje i događaje povezane sa proizvodima kompanije. Svi događaji predstavljaju okidače za signalizaciju koji kompaniji omogućavaju da kreira visoko personalizovani pristup, izvede precizno targetiranje i da reaguje na vreme.

Image
Sledeći modul
Image
Sledeći modul
Image
Sledeći modul

Upoznajte
vaše korisnike
bolje.

PREUZMITE LIGHTPAPER

Preuzmite lightpaper

Saga d.o.o. Beograd
Deo New Frontier Group kompanije
Bulevar Zorana Đinđića 64a
11070 Beograd | SRBIJA
saga.rs
selecta@saga.rs

Upoznajte

vaše korisnike

bolje.

PREUZMITE LIGHTPAPER

Preuzmite lightpaper

Saga d.o.o. Belgrade
Deo New Frontier Group kompanije

64a Zorana Đinđića Blvd.
11070 Beograd | SRBIJA

saga.rs
selecta@saga.rs